論文の概要: TransNetR: Transformer-based Residual Network for Polyp Segmentation
with Multi-Center Out-of-Distribution Testing
- arxiv url: http://arxiv.org/abs/2303.07428v1
- Date: Mon, 13 Mar 2023 19:11:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-15 17:40:05.131274
- Title: TransNetR: Transformer-based Residual Network for Polyp Segmentation
with Multi-Center Out-of-Distribution Testing
- Title（参考訳）: transnetr:マルチセンターアウトオブディストリビューションテストによるポリプセグメンテーションのためのトランストランスベース残差ネットワーク
- Authors: Debesh Jha, Nikhil Kumar Tomar, Vanshali Sharma, Ulas Bagci
- Abstract要約: 大腸ポリープ分割のためのトランスフォーマーを用いたResidual Network(TransNetR)を提案する。
TransNetRは、トレーニング済みのResNet50をエンコーダとして、3つのデコーダブロックと、ネットワークの終端にあるアップサンプリング層で構成されるエンコーダ・デコーダネットワークである。
高いダイス係数は0.8706、平均インターセクションは0.8016であり、Kvasir-SEGデータセット上でのリアルタイム処理速度は54.60である。
- 参考スコア（独自算出の注目度）: 2.3293678240472517
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Colonoscopy is considered the most effective screening test to detect
colorectal cancer (CRC) and its precursor lesions, i.e., polyps. However, the
procedure experiences high miss rates due to polyp heterogeneity and
inter-observer dependency. Hence, several deep learning powered systems have
been proposed considering the criticality of polyp detection and segmentation
in clinical practices. Despite achieving improved outcomes, the existing
automated approaches are inefficient in attaining real-time processing speed.
Moreover, they suffer from a significant performance drop when evaluated on
inter-patient data, especially those collected from different centers.
Therefore, we intend to develop a novel real-time deep learning based
architecture, Transformer based Residual network (TransNetR), for colon polyp
segmentation and evaluate its diagnostic performance. The proposed
architecture, TransNetR, is an encoder-decoder network that consists of a
pre-trained ResNet50 as the encoder, three decoder blocks, and an upsampling
layer at the end of the network. TransNetR obtains a high dice coefficient of
0.8706 and a mean Intersection over union of 0.8016 and retains a real-time
processing speed of 54.60 on the Kvasir-SEG dataset. Apart from this, the major
contribution of the work lies in exploring the generalizability of the
TransNetR by testing the proposed algorithm on the out-of-distribution (test
distribution is unknown and different from training distribution) dataset. As a
use case, we tested our proposed algorithm on the PolypGen (6 unique centers)
dataset and two other popular polyp segmentation benchmarking datasets. We
obtained state-of-the-art performance on all three datasets during
out-of-distribution testing. The source code of TransNetR will be made publicly
available at https://github.com/DebeshJha.
- Abstract（参考訳）: 大腸内視鏡検査は大腸癌(crc)とその前駆病変、すなわちポリープを検出するのに最も有効なスクリーニング検査であると考えられている。
しかし、この手順はポリプの不均一性とオブザーバ間の依存性により、ミス率が高い。
したがって,臨床におけるポリープ検出とセグメンテーションの臨界性を考慮して,いくつかの深層学習システムを提案する。
改善された結果にもかかわらず、既存の自動化アプローチはリアルタイム処理速度を達成するのに非効率である。
さらに、患者間データ、特に異なるセンターから収集したデータに基づいて評価すると、大きなパフォーマンス低下に悩まされる。
そこで我々は,新しいリアルタイム深層学習型アーキテクチャであるtransnetr(transnetr)を開発し,その診断性能について検討する。
提案アーキテクチャであるTransNetRは、トレーニング済みのResNet50をエンコーダとして、そして3つのデコーダブロックと、ネットワークの終端にあるアップサンプリング層で構成されるエンコーダ・デコーダネットワークである。
TransNetRは、高いダイス係数0.8706と平均的なインターセクション0.8016を取得し、Kvasir-SEGデータセット上でのリアルタイム処理速度54.60を保持する。
これとは別に、提案したアルゴリズムをアウト・オブ・ディストリビューション(テスト分布は未知であり、トレーニング分布とは異なる)データセット上でテストすることで、TransNetRの一般化可能性を探ることにも貢献している。
ユースケースとして,提案アルゴリズムをpolypgen (6 unique centers) データセットと他の2つの人気のあるpolyp segmentation benchmarkingデータセット上でテストした。
分散テスト中に3つのデータセットすべてで最先端のパフォーマンスを得た。
TransNetRのソースコードはhttps://github.com/DebeshJha.comで公開されている。
関連論文リスト
- Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。
管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
論文 参考訳（メタデータ） (2024-01-11T19:07:58Z) - TransRUPNet for Improved Polyp Segmentation [1.2498887792836635]
本研究では,トランスフォーマーをベースとしたResidual Upsampling Network (TransRUPNet) を開発した。
画像サイズが256times256$の場合、提案手法は、毎秒47.07フレームの優れたリアルタイム動作速度を実現する。
論文 参考訳（メタデータ） (2023-06-03T19:06:06Z) - Automatic Polyp Segmentation with Multiple Kernel Dilated Convolution
Network [3.1374864575817214]
本研究では,自動ポリープセグメンテーションのための新しいディープラーニングアーキテクチャ,textbfMKDCNetを提案する。
4つの公開ポリプデータセットと細胞核データセットの実験は、提案されたMKDCNetが最先端の手法より優れていることを示している。
MKDCNetは、臨床大腸内視鏡のためのリアルタイムシステムを構築するための強力なベンチマークとなる。
論文 参考訳（メタデータ） (2022-06-13T15:47:38Z) - GMSRF-Net: An improved generalizability with global multi-scale residual
fusion network for polyp segmentation [12.086664133486144]
大腸内視鏡は金標準法であるが、非常に操作性に依存している。
前駆体であるポリープの検出とセグメンテーションを自動化し、ミスレートを効果的に最小化する試みがなされている。
エンコーダデコーダによって動作させるコンピュータ支援型ポリプセグメンテーションシステムは,精度で高い性能を実現している。
論文 参考訳（メタデータ） (2021-11-20T15:41:59Z) - DBSegment: Fast and robust segmentation of deep brain structures --
Evaluation of transportability across acquisition domains [0.18472148461613155]
本稿では、ディープラーニングを用いて、堅牢で効率的な深層脳セグメンテーションソリューションを提供する。
我々は、登録ベースのアプローチから生成されたラベルを用いて、30の深層脳構造と脳マスクをセグメントするネットワークを訓練した。
提案手法は高速で堅牢で,高信頼性で一般化できる。
論文 参考訳（メタデータ） (2021-10-18T17:15:39Z) - MD-CSDNetwork: Multi-Domain Cross Stitched Network for Deepfake
Detection [80.83725644958633]
現在のディープフェイク生成法では、偽画像やビデオの周波数スペクトルに識別的アーティファクトが残されている。
MD-CSDNetwork(MD-CSDNetwork)と呼ばれる新しい手法を提案する。
論文 参考訳（メタデータ） (2021-09-15T14:11:53Z) - Automatic Polyp Segmentation via Multi-scale Subtraction Network [100.94922587360871]
臨床的には、正確なポリープセグメンテーションは大腸癌の早期発見に重要な情報を提供する。
既存のほとんどの手法はU字型構造に基づいており、デコーダで段階的に異なるレベルの特徴を融合させるために要素ワイド付加または結合を用いる。
大腸内視鏡画像からポリプを抽出するマルチスケールサブトラクションネットワーク(MSNet)を提案する。
論文 参考訳（メタデータ） (2021-08-11T07:54:07Z) - Deep ensembles based on Stochastic Activation Selection for Polyp
Segmentation [82.61182037130406]
本研究は,大腸内視鏡検査における画像分割,特に正確なポリープ検出とセグメンテーションを扱う。
イメージセグメンテーションの基本アーキテクチャはエンコーダとデコーダで構成されている。
我々はデコーダのバックボーンを変更することで得られるDeepLabアーキテクチャのバリエーションを比較した。
論文 参考訳（メタデータ） (2021-04-02T02:07:37Z) - DDANet: Dual Decoder Attention Network for Automatic Polyp Segmentation [0.3734402152170273]
本稿では,デュアルデコーダアテンションネットワークに基づくDDANet'という新しいアーキテクチャを提案する。
実験では、Kvasir-SEGデータセットで訓練され、見えないデータセットでテストされたモデルは、0.7874のダイス係数、0.7010のmIoU、0.7987のリコール、0.8577の精度を達成した。
論文 参考訳（メタデータ） (2020-12-30T17:52:35Z) - Collaborative Training between Region Proposal Localization and
Classification for Domain Adaptive Object Detection [121.28769542994664]
オブジェクト検出のためのドメイン適応は、ラベル付きデータセットからラベル付きデータセットへの検出を適応させようとする。
本稿では,地域提案ネットワーク (RPN) と地域提案分類器 (RPC) が,大きなドメインギャップに直面した場合の転送可能性が大きく異なることを初めて明らかにする。
論文 参考訳（メタデータ） (2020-09-17T07:39:52Z) - DC-NAS: Divide-and-Conquer Neural Architecture Search [108.57785531758076]
本稿では,ディープ・ニューラル・アーキテクチャーを効果的かつ効率的に探索するためのディバイド・アンド・コンカ(DC)手法を提案する。
ImageNetデータセットで75.1%の精度を達成しており、これは同じ検索空間を使った最先端の手法よりも高い。
論文 参考訳（メタデータ） (2020-05-29T09:02:16Z)
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。