Fugu-MT 論文翻訳(概要): Slim U-Net: Efficient Anatomical Feature Preserving U-net Architecture for Ultrasound Image Segmentation

論文の概要: Slim U-Net: Efficient Anatomical Feature Preserving U-net Architecture for Ultrasound Image Segmentation

arxiv url: http://arxiv.org/abs/2302.11524v1
Date: Wed, 22 Feb 2023 17:54:39 GMT
ステータス: 処理完了
システム内更新日: 2023-02-23 14:18:08.699394
Title: Slim U-Net: Efficient Anatomical Feature Preserving U-net Architecture for Ultrasound Image Segmentation
Title（参考訳）: slim u-net:超音波画像分割のための効率的な解剖学的特徴保存u-netアーキテクチャ
Authors: Deepak Raina, Kashish Verma, SH Chandrashekhara, Subir Kumar Saha
Abstract要約: 男性の骨盤像UltraSound(US)画像における尿中膀胱(UB)の分画に対するU-Netモデルの適用性について検討した。アメリカの画像のUBは任意の形状、不明瞭な境界を持ち、物体間および物体内変動がかなり大きい。 UBセグメンテーションの課題に対処するために,Slim U-Netを提案する。
参考スコア（独自算出の注目度）: 0.03499870393443267
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We investigate the applicability of U-Net based models for segmenting Urinary Bladder (UB) in male pelvic view UltraSound (US) images. The segmentation of UB in the US image aids radiologists in diagnosing the UB. However, UB in US images has arbitrary shapes, indistinct boundaries and considerably large inter- and intra-subject variability, making segmentation a quite challenging task. Our study of the state-of-the-art (SOTA) segmentation network, U-Net, for the problem reveals that it often fails to capture the salient characteristics of UB due to the varying shape and scales of anatomy in the noisy US image. Also, U-net has an excessive number of trainable parameters, reporting poor computational efficiency during training. We propose a Slim U-Net to address the challenges of UB segmentation. Slim U-Net proposes to efficiently preserve the salient features of UB by reshaping the structure of U-Net using a less number of 2D convolution layers in the contracting path, in order to preserve and impose them on expanding path. To effectively distinguish the blurred boundaries, we propose a novel annotation methodology, which includes the background area of the image at the boundary of a marked region of interest (RoI), thereby steering the model's attention towards boundaries. In addition, we suggested a combination of loss functions for network training in the complex segmentation of UB. The experimental results demonstrate that Slim U-net is statistically superior to U-net for UB segmentation. The Slim U-net further decreases the number of trainable parameters and training time by 54% and 57.7%, respectively, compared to the standard U-Net, without compromising the segmentation accuracy.
Abstract（参考訳）: 男性の骨盤像UltraSound(US)画像における尿中膀胱(UB)の分画に対するU-Netモデルの適用性を検討した。米国画像におけるUBのセグメンテーションは、UBの診断に役立つ。しかし、US画像のUBは任意の形状、不明瞭な境界、非常に大きなオブジェクト間およびオブジェクト内変動を持ち、セグメンテーションは非常に難しい課題である。この問題に対するSOTA(State-of-the-art)セグメンテーションネットワーク(U-Net)の研究は、ノイズの多いUS画像の形状やスケールの変化により、UBの健全な特性を捉えるのに失敗することが多いことを明らかにする。また、u-netはトレーニング可能なパラメータが多すぎるため、トレーニング中の計算効率が低くなる。 UBセグメンテーションの課題に対処するために,Slim U-Netを提案する。 Slim U-Netは、U-Netの構造を縮小経路に少ない2次元畳み込み層を用いて再構成することで、UBの健全な特徴を効率的に保存し、拡張経路に保存し、強制することを提案する。ぼやけた境界を効果的に識別するために,特徴のある関心領域(RoI)の境界における画像の背景領域を含む新しいアノテーション手法を提案する。さらに,UBの複雑なセグメンテーションにおけるネットワークトレーニングにおける損失関数の組み合わせを提案する。実験により,Slim U-netはUBセグメンテーションにおいてU-netよりも統計的に優れていることが示された。 Slim U-netはトレーニング可能なパラメータの数を54%、トレーニング時間は57.7%減らし、標準のU-Netに比べてセグメンテーション精度を損なわない。

関連論文リスト

DBF-Net: A Dual-Branch Network with Feature Fusion for Ultrasound Image Segmentation [5.114118320876544]
両枝深部ニューラルネットワークであるUBBS-Netを導入し, ボディーとバウンダリの関係を学習してセグメンテーションを改善する。また,身体情報と境界情報を統合する機能融合モジュールを提案する。
論文参考訳（メタデータ） (2024-11-17T16:14:00Z)
Deep Multi-Threshold Spiking-UNet for Image Processing [51.88730892920031]
本稿では,SNN(Spike Neural Networks)とU-Netアーキテクチャを組み合わせた,画像処理のためのスパイキング-UNetの概念を紹介する。効率的なスパイキング-UNetを実現するためには,スパイクによる高忠実度情報伝播の確保と,効果的なトレーニング戦略の策定という2つの課題に直面する。実験の結果,画像のセグメンテーションとデノイングにおいて,スパイキングUNetは非スパイキングと同等の性能を発揮することがわかった。
論文参考訳（メタデータ） (2023-07-20T16:00:19Z)
Continuous U-Net: Faster, Greater and Noiseless [2.6163085620813287]
画像セグメンテーションのための新しいネットワークファミリーであるContinuous U-Netを紹介する。より高速な収束、高ロバスト性、ノイズに対する感度の低下を示す理論的な保証を提供する。本研究では, 医用画像セグメンテーションベンチマークデータセットにおいて, 既存のU-Netブロックよりも優れていることを示す。
論文参考訳（メタデータ） (2023-02-01T17:46:00Z)
Voxels Intersecting along Orthogonal Levels Attention U-Net for Intracerebral Haemorrhage Segmentation in Head CT [1.0039211120441933]
直交レベルに沿ったVoxels-Intersecting along Orthogonal Levels Attention U-Net」と呼ばれる,新規でフレキシブルな注目に基づくU-Netアーキテクチャを提案する。 ICHセグメンテーションの性能は,U-Netデコード分岐に挿入したViolaアテンションにより,空間的およびチャネル的特徴を効率よく組み込むことで向上した。
論文参考訳（メタデータ） (2022-08-12T14:53:47Z)
Neural Implicit Dictionary via Mixture-of-Expert Training [111.08941206369508]
ニューラルインシシット辞書(NID)を学習することで、データとトレーニング効率の両方を達成する汎用INRフレームワークを提案する。我々のNIDは、所望の関数空間にまたがるように調整された座標ベースのImpworksのグループを組み立てる。実験の結果,NIDは最大98%の入力データで2次元画像や3次元シーンの再現を2桁高速化できることがわかった。
論文参考訳（メタデータ） (2022-07-08T05:07:19Z)
Implicit U-Net for volumetric medical image segmentation [0.6294759639481189]
Implicit U-Netは、教師付きイメージセグメンテーションタスクに効率的なImplicit Representationパラダイムを適用する。我々の暗黙のU-Netは、同等のU-Netよりも40%少ないパラメータを持つ。等価な完全畳み込みU-Netと比較すると、Implicit U-Netは約30%の推論とトレーニング時間を短縮する。
論文参考訳（メタデータ） (2022-06-30T12:00:40Z)
Deep Multi-Scale U-Net Architecture and Noise-Robust Training Strategies for Histopathological Image Segmentation [6.236433671063744]
本稿では,U-Netエンコーダの各畳み込みモジュールにマルチスケールの特徴マップを明示的に付加し,ヒストロジー画像のセグメンテーションを改善することを提案する。乳がんリンパ節のプライベートデータセットを用いた実験では, 提案した2つの拡張に基づいて, U-Netベースラインを大幅に改善した。
論文参考訳（メタデータ） (2022-05-03T21:00:44Z)
An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文参考訳（メタデータ） (2020-12-06T18:55:07Z)
KiU-Net: Overcomplete Convolutional Architectures for Biomedical Image and Volumetric Segmentation [71.79090083883403]
トラディショナル・エンコーダ・デコーダに基づく手法は, より小さな構造を検出でき, 境界領域を正確に分割できない。本稿では,(1)入力の細部と正確なエッジを捉えることを学ぶ完全畳み込みネットワークKite-Netと,(2)高レベルの特徴を学習するU-Netの2つの枝を持つKiU-Netを提案する。提案手法は,より少ないパラメータとより高速な収束の利点により,最近のすべての手法と比較して性能が向上する。
論文参考訳（メタデータ） (2020-10-04T19:23:33Z)
Pairwise Relation Learning for Semi-supervised Gland Segmentation [90.45303394358493]
病理組織像における腺分節に対するPRS2モデルを提案する。このモデルはセグメンテーションネットワーク(S-Net)とペア関係ネットワーク(PR-Net)から構成される。我々は,GlaSデータセットの最近の5つの手法とCRAGデータセットの最近の3つの手法を比較した。
論文参考訳（メタデータ） (2020-08-06T15:02:38Z)
KiU-Net: Towards Accurate Segmentation of Biomedical Images using Over-complete Representations [59.65174244047216]
本稿では,高次元にデータを投影するオーバーコンプリートアーキテクチャ(Ki-Net)を提案する。このネットワークは、U-Netで拡張されると、小さな解剖学的ランドマークを分割する場合に大幅に改善される。早期新生児の2次元超音波による脳解剖学的セグメント化の課題について検討した。
論文参考訳（メタデータ） (2020-06-08T18:59:24Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。