論文の概要: LDMRes-Net: Enabling Real-Time Disease Monitoring through Efficient
Image Segmentation
- arxiv url: http://arxiv.org/abs/2306.06145v1
- Date: Fri, 9 Jun 2023 10:34:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-13 20:48:54.559149
- Title: LDMRes-Net: Enabling Real-Time Disease Monitoring through Efficient
Image Segmentation
- Title(参考訳): LDMRes-Net:効率的な画像分割によるリアルタイム疾患モニタリングの実現
- Authors: Shahzaib Iqbal, Tariq M. Khan, Musaed Alhussein, Syed S. Naqvi,
Muhammad Usman, and Khursheed Aurangzeb
- Abstract要約: 網膜眼疾患は、早期に診断や治療を受けなければ、両眼で不可逆的な視力喪失を引き起こす可能性がある。
複数のラベルと特徴を持つ網膜画像をセグメント化するための現在のディープラーニングアルゴリズムは、不適切な検出精度と一般化性の欠如に悩まされている。
セグメンテーション性能を向上させるために,2つの多重残差接続を特徴とする軽量で効率的なネットワークを提案する。
- 参考スコア(独自算出の注目度): 0.5787939851305457
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Retinal eye diseases can lead to irreversible vision loss in both eyes if not
diagnosed and treated earlier. Owing to the complexities of retinal diseases,
the likelihood that retinal images would contain two or more abnormalities is
very high. The current deep learning algorithms used for segmenting retinal
images with multiple labels and features suffer from inadequate detection
accuracy and a lack of generalizability. In this paper, we propose a
lightweight and efficient network, featuring dual multi-residual connections to
enhance segmentation performance while minimizing computational cost. The
proposed network is evaluated on eight publicly available retinal image
datasets and achieved promising segmentation results, which demonstrate the
effectiveness of the proposed network for retinal image analysis tasks. The
proposed network's lightweight and efficient design makes it a promising
candidate for real-time retinal image analysis applications.
- Abstract(参考訳): 網膜眼疾患は、早期に診断や治療を受けなければ、両眼で不可逆的な視力喪失を引き起こす可能性がある。
網膜疾患の複雑さのため、網膜画像が2つ以上の異常を含む可能性が非常に高い。
現在のディープラーニングアルゴリズムでは、複数のラベルと特徴を持つ網膜画像をセグメント化するのに、不十分な検出精度と一般化性の欠如に苦しんでいる。
本稿では,計算コストを最小化しつつセグメント化性能を向上させるために,マルチレジシデント接続を2つ備えた軽量かつ効率的なネットワークを提案する。
提案ネットワークは, 公開されている8つの網膜画像データセット上で評価され, 提案ネットワークが網膜画像解析タスクに有効であることを示す, 有望なセグメンテーション結果が得られた。
提案するネットワークの軽量かつ効率的な設計は、リアルタイム網膜画像解析アプリケーションに有望な候補となる。
関連論文リスト
- Optimizing Universal Lesion Segmentation: State Space Model-Guided Hierarchical Networks with Feature Importance Adjustment [0.0]
我々は,MAMBAフレームワークにステートスペースモデル(SSM)とアドバンスト階層ネットワーク(AHNet)を統合したMamba-Ahnetを紹介する。
Mamba-Ahnetは、SSMの特徴抽出と理解をAHNetの注意機構と画像再構成と組み合わせ、セグメンテーションの精度と堅牢性を高めることを目的としている。
論文 参考訳(メタデータ) (2024-04-26T08:15:43Z) - Augmentation is AUtO-Net: Augmentation-Driven Contrastive Multiview
Learning for Medical Image Segmentation [3.1002416427168304]
この論文は網膜血管セグメンテーションの課題に焦点を当てている。
深層学習に基づく医用画像セグメンテーションアプローチの広範な文献レビューを提供する。
効率的でシンプルな多視点学習フレームワークを提案する。
論文 参考訳(メタデータ) (2023-11-02T06:31:08Z) - LMBiS-Net: A Lightweight Multipath Bidirectional Skip Connection based
CNN for Retinal Blood Vessel Segmentation [0.0]
ブラディングアイの病気は、しばしば変化した網膜形態と相関し、眼底画像の網膜構造をセグメント化することによって臨床的に識別できる。
深層学習は、医用画像のセグメンテーションにおいて有望であるが、反復的な畳み込みとプール操作への依存は、エッジ情報の表現を妨げる可能性がある。
LMBiS-Net と呼ばれる軽量な画素レベルのCNNを網膜血管のセグメンテーションのために提案する。
論文 参考訳(メタデータ) (2023-09-10T09:03:53Z) - LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳(メタデータ) (2023-06-20T22:21:34Z) - An Evaluation of Lightweight Deep Learning Techniques in Medical Imaging
for High Precision COVID-19 Diagnostics [0.0]
決定支援システムは、画像の物理的検査に固有の課題を緩和する。
ほとんどのディープラーニングアルゴリズムは、リソース制約のあるデバイスの実装には適していない。
本稿では,MobileNetV2モデルを用いた新型コロナウイルス検出のための軽量深層学習手法の開発と評価について述べる。
論文 参考訳(メタデータ) (2023-05-30T13:14:03Z) - MKIS-Net: A Light-Weight Multi-Kernel Network for Medical Image
Segmentation [7.587725015524997]
マルチカーネル画像分割網(MKIS-Net)を提案する。
MKIS-Netは、少数のトレーニング可能なパラメータを持つ軽量アーキテクチャである。
網膜血管のセグメンテーション,皮膚病変のセグメンテーション,胸部X線セグメンテーションなどにおけるMKIS-Netの有効性について検討した。
論文 参考訳(メタデータ) (2022-10-15T02:46:28Z) - Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。
様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
論文 参考訳(メタデータ) (2022-05-19T17:34:18Z) - InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal
Artifact Reduction in CT Images [53.4351366246531]
InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。
異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
論文 参考訳(メタデータ) (2021-12-23T15:52:37Z) - Incremental Cross-view Mutual Distillation for Self-supervised Medical
CT Synthesis [88.39466012709205]
本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。
臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。
提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
論文 参考訳(メタデータ) (2021-12-20T03:38:37Z) - Rethinking the Extraction and Interaction of Multi-Scale Features for
Vessel Segmentation [53.187152856583396]
網膜血管と主要動脈を2次元基底画像と3次元CTアンギオグラフィー(CTA)スキャンで分割する,PC-Netと呼ばれる新しいディープラーニングモデルを提案する。
PC-Netでは、ピラミッド圧縮励起(PSE)モジュールが各畳み込みブロックに空間情報を導入し、より効果的なマルチスケール特徴を抽出する能力を高めている。
論文 参考訳(メタデータ) (2020-10-09T08:22:54Z) - Searching for Efficient Architecture for Instrument Segmentation in
Robotic Surgery [58.63306322525082]
ほとんどのアプリケーションは、高解像度の外科画像の正確なリアルタイムセグメンテーションに依存している。
我々は,高解像度画像のリアルタイム推論を行うために調整された,軽量で高効率なディープ残差アーキテクチャを設計する。
論文 参考訳(メタデータ) (2020-07-08T21:38:29Z)
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。