論文の概要: Generative Adversarial Networks based Skin Lesion Segmentation
- arxiv url: http://arxiv.org/abs/2305.18164v2
- Date: Mon, 31 Jul 2023 16:10:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-01 21:04:12.773006
- Title: Generative Adversarial Networks based Skin Lesion Segmentation
- Title（参考訳）: ジェネレーティブ・ディバイサル・ネットワークを用いた皮膚病変分割
- Authors: Shubham Innani, Prasad Dutande, Ujjwal Baid, Venu Pokuri, Spyridon
Bakas, Sanjay Talbar, Bhakti Baheti, Sharath Chandra Guntuku
- Abstract要約: 本稿では, 教師なし生成ネットワークを用いて正確な病変マスクを生成する, Efficient-GAN という新たな逆学習基盤を提案する。
Dice係数、Jaccard類似度、精度はそれぞれ90.1%、83.6%、94.5%である。
また,EGANと同等の性能を持つ軽量セグメンテーションフレームワーク(MGAN)を設計する。
- 参考スコア（独自算出の注目度）: 7.9234173309439715
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Skin cancer is a serious condition that requires accurate diagnosis and
treatment. One way to assist clinicians in this task is using computer-aided
diagnosis (CAD) tools that automatically segment skin lesions from dermoscopic
images. We propose a novel adversarial learning-based framework called
Efficient-GAN (EGAN) that uses an unsupervised generative network to generate
accurate lesion masks. It consists of a generator module with a top-down
squeeze excitation-based compound scaled path, an asymmetric lateral
connection-based bottom-up path, and a discriminator module that distinguishes
between original and synthetic masks. A morphology-based smoothing loss is also
implemented to encourage the network to create smooth semantic boundaries of
lesions. The framework is evaluated on the International Skin Imaging
Collaboration (ISIC) Lesion Dataset 2018. It outperforms the current
state-of-the-art skin lesion segmentation approaches with a Dice coefficient,
Jaccard similarity, and Accuracy of 90.1%, 83.6%, and 94.5%, respectively. We
also design a lightweight segmentation framework (MGAN) that achieves
comparable performance as EGAN but with an order of magnitude lower number of
training parameters, thus resulting in faster inference times for low compute
resource settings.
- Abstract（参考訳）: 皮膚がんは、正確な診断と治療を必要とする深刻な疾患である。
このタスクで臨床医を支援する1つの方法は、皮膚鏡画像から皮膚病変を自動的に切り離すコンピュータ支援診断(cad)ツールを使用することである。
本稿では, 教師なし生成ネットワークを用いて正確な障害マスクを生成する, Efficient-GAN (EGAN) と呼ばれる新しい逆学習基盤を提案する。
トップダウンのスクイーズ励起に基づく複合スケールドパスを持つジェネレータモジュールと、非対称な側接続ベースのボトムアップパスと、オリジナルマスクと合成マスクを区別する識別モジュールで構成される。
形態素に基づく平滑化損失も実装され、ネットワークが病変のスムーズなセマンティックな境界を作るのを促す。
このフレームワークは、International Skin Imaging Collaboration (ISIC) Lesion Dataset 2018で評価されている。
ダイス係数、ジャカード類似度、正確度はそれぞれ90.1%、83.6%、94.5%である。
また、EGANと同等の性能を持つ軽量セグメンテーションフレームワーク(MGAN)を設計するが、トレーニングパラメータの桁数が桁違い少なくなり、計算リソース設定の高速化を実現している。
関連論文リスト
- Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI [58.809276442508256]
本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマー層を組み合わせたハイブリッドネットワークを提案する。
プライベートおよびパブリックなDCE-MRIデータセットの実験結果から,提案したハイブリッドネットワークは最先端の手法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2024-08-11T15:46:00Z) - Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。
半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文 参考訳（メタデータ） (2023-12-26T12:56:31Z) - Inter-Scale Dependency Modeling for Skin Lesion Segmentation with
Transformer-based Networks [0.0]
メラノーマは皮膚細胞の異常増殖によって引き起こされる皮膚がんの危険形態である。
U-Netアーキテクチャを含むFCNアプローチは、皮膚病変を自動的に分割して診断を支援する。
対称的U-Netモデルは優れた結果を示しているが、畳み込み演算を用いることで、長距離依存を捕捉する能力は制限されている。
論文 参考訳（メタデータ） (2023-10-20T16:20:25Z) - Self-Supervised Correction Learning for Semi-Supervised Biomedical Image
Segmentation [84.58210297703714]
半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。
共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。
異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
論文 参考訳（メタデータ） (2023-01-12T08:19:46Z) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳（メタデータ） (2022-12-01T07:32:56Z) - Brain Lesion Synthesis via Progressive Adversarial Variational
Auto-Encoder [0.9954435559869312]
レーザー間質熱療法(LITT)前後のROIセグメンテーションにより自動的に病変の定量化が可能となった。
CNNはROIセグメンテーションのための最先端のソリューションであるが、トレーニング中に大量のアノテートデータを必要とする。
トレーニングデータセットの量と多様性を両立させるため,進行性脳病変合成フレームワーク(PAVAE)を提案する。
論文 参考訳（メタデータ） (2022-08-05T14:39:06Z) - Lesion Net -- Skin Lesion Segmentation Using Coordinate Convolution and
Deep Residual Units [18.908448254745473]
メラノーマの皮膚病変のセグメント化の精度は、トレーニング、不規則な形状、不明瞭な境界、および異なる皮膚色のためのデータが少ないため、かなり困難な作業です。
提案手法は皮膚病変分節の精度を向上させるのに役立つ。
以上の結果から,提案モデルが既存の皮膚病変の分画法と同等以上の性能を示した。
論文 参考訳（メタデータ） (2020-12-28T14:43:04Z) - DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。
我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。
皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
論文 参考訳（メタデータ） (2020-08-19T06:02:46Z) - Collaborative Boundary-aware Context Encoding Networks for Error Map
Prediction [65.44752447868626]
本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。
具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。
AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
論文 参考訳（メタデータ） (2020-06-25T12:42:01Z) - Cascaded Context Enhancement Network for Automatic Skin Lesion
Segmentation [10.648218637920035]
自動皮膚病変分割のためのカスケードコンテキスト拡張ニューラルネットワークを定式化する。
ゲートベースの情報統合アプローチを用いた新しいコンテキストアグリゲーションモジュールを提案する。
4つの皮膚皮膚内視鏡画像データセットに対するアプローチについて検討した。
論文 参考訳（メタデータ） (2020-04-17T08:25:17Z) - Complementary Network with Adaptive Receptive Fields for Melanoma
Segmentation [22.069817721081844]
既存の手法はホールに悩まされ、セグメンテーション性能に制限のある問題を縮小する。
メラノーマ病変を検出する前景ネットワークと,非メラノーマ領域をマスクする背景ネットワークを導入する。
本手法は,最先端メラノーマセグメンテーション法と比較して,86.4%のダイスコ効率を実現し,優れた性能を示す。
論文 参考訳（メタデータ） (2020-01-12T09:20:36Z)
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。