論文の概要: LightBTSeg: A lightweight breast tumor segmentation model using
ultrasound images via dual-path joint knowledge distillation
- arxiv url: http://arxiv.org/abs/2311.11086v1
- Date: Sat, 18 Nov 2023 14:25:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-22 12:32:32.394973
- Title: LightBTSeg: A lightweight breast tumor segmentation model using
ultrasound images via dual-path joint knowledge distillation
- Title(参考訳): LightBTSeg:デュアルパスジョイント知識蒸留による超音波画像を用いた軽量乳腺腫瘍分節モデル
- Authors: Hongjiang Guo, Shengwen Wang, Hao Dang, Kangle Xiao, Yaru Yang, Wenpei
Liu, Tongtong Liu, Yiying Wan
- Abstract要約: 乳がんの軽度分節化のための二重パス共同知識蒸留フレームワークLightBTSegを提案する。
我々は、ボトルネックアーキテクチャを活用して、オリジナルの注意U-Netを再構築する。
そして、良性・悪性のカテゴリーの事前知識を用いて、二重経路連成知識蒸留を併用した教師ネットワークを設計する。
- 参考スコア(独自算出の注目度): 1.9355072302703609
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The accurate segmentation of breast tumors is an important prerequisite for
lesion detection, which has significant clinical value for breast tumor
research. The mainstream deep learning-based methods have achieved a
breakthrough. However, these high-performance segmentation methods are
formidable to implement in clinical scenarios since they always embrace high
computation complexity, massive parameters, slow inference speed, and huge
memory consumption. To tackle this problem, we propose LightBTSeg, a dual-path
joint knowledge distillation framework, for lightweight breast tumor
segmentation. Concretely, we design a double-teacher model to represent the
fine-grained feature of breast ultrasound according to different semantic
feature realignments of benign and malignant breast tumors. Specifically, we
leverage the bottleneck architecture to reconstruct the original Attention
U-Net. It is regarded as a lightweight student model named Simplified U-Net.
Then, the prior knowledge of benign and malignant categories is utilized to
design the teacher network combined dual-path joint knowledge distillation,
which distills the knowledge from cumbersome benign and malignant teachers to a
lightweight student model. Extensive experiments conducted on breast ultrasound
images (Dataset BUSI) and Breast Ultrasound Dataset B (Dataset B) datasets
demonstrate that LightBTSeg outperforms various counterparts.
- Abstract(参考訳): 乳腺腫瘍の正確なセグメンテーションは病変検出の必須条件であり,乳腺腫瘍研究において重要な臨床的意義を有する。
主流のディープラーニングベースの手法はブレークスルーを達成した。
しかし、これらの高性能セグメンテーション手法は、高い計算複雑性、巨大なパラメータ、遅い推論速度、巨大なメモリ消費を常に受け入れているため、臨床シナリオで実装することが難しい。
そこで本研究では, 乳がんの軽度分節化のための2経路共同知識蒸留フレームワークLightBTSegを提案する。
具体的には,良性乳腺腫瘍と悪性乳腺腫瘍の異なる意味的特徴により,乳房超音波の細粒度特徴を表すダブルティーチャーモデルを設計した。
具体的には、ボトルネックアーキテクチャを利用して、オリジナルの注意U-Netを再構築する。
Simplified U-Netと呼ばれる軽量の学生モデルと見なされている。
次に、良性・悪性のカテゴリーの事前知識を用いて、良性・悪性の教師から知識を抽出する二重経路共同知識蒸留を併用した教師ネットワークを軽量の学生モデルに設計する。
乳房超音波画像 (Dataset BUSI) と乳房超音波B (Dataset B) データセットを用いた大規模な実験により, LightBTSeg が様々な画像より優れていることが示された。
関連論文リスト
- Semi- and Weakly-Supervised Learning for Mammogram Mass Segmentation with Limited Annotations [49.33388736227072]
本稿では,マスセグメンテーションのための半弱教師付き学習フレームワークを提案する。
良好な性能を得るために, 限られた強ラベルのサンプルと十分な弱ラベルのサンプルを用いる。
CBIS-DDSMおよびINbreastデータセットを用いた実験により,本手法の有効性が示された。
論文 参考訳(メタデータ) (2024-03-14T12:05:25Z) - BreastSAM: A Study of Segment Anything Model for Breast Tumor Detection
in Ultrasound Images [2.752682633344525]
超音波画像における乳腺腫瘍のインタラクティブセグメンテーションのためのセグメンテーションモデル(SAM)について検討した。
ViT_h, ViT_l, ViT_bの3種類の事前学習モデルについて検討した。
本研究は悪性腫瘍と良性乳癌の分節化におけるモデルの性能の差について検討した。
論文 参考訳(メタデータ) (2023-05-21T12:40:25Z) - High-resolution synthesis of high-density breast mammograms: Application
to improved fairness in deep learning based mass detection [48.88813637974911]
深層学習に基づくコンピュータ支援検出システムは乳癌検出において優れた性能を示した。
高密度の乳房は、高密度の組織がマスを覆ったりシミュレートしたりできるため、検出性能が劣っている。
本研究は,高密度乳房における高密度フルフィールドデジタルマンモグラムを用いた質量検出性能の向上を目的とする。
論文 参考訳(メタデータ) (2022-09-20T15:57:12Z) - SSD-KD: A Self-supervised Diverse Knowledge Distillation Method for
Lightweight Skin Lesion Classification Using Dermoscopic Images [62.60956024215873]
皮膚がんは最も一般的な悪性腫瘍の1つであり、人口に影響を与え、世界中で経済的な重荷を負っている。
皮膚がん検出のほとんどの研究は、ポータブルデバイス上での計算資源の制限を考慮せずに、高い予測精度を追求している。
本研究は,皮膚疾患分類のための汎用的なKDフレームワークに多様な知識を統一する,SSD-KD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) (2022-03-22T06:54:29Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳(メタデータ) (2022-01-13T05:24:40Z) - Deep Semi-supervised Metric Learning with Dual Alignment for Cervical
Cancer Cell Detection [49.78612417406883]
子宮頸癌細胞検出のための新しい半教師付き深度測定法を提案する。
私たちのモデルは、埋め込みメトリック空間を学習し、提案レベルとプロトタイプレベルの両方でセマンティック機能の二重アライメントを行います。
本研究は,240,860個の頸部細胞画像からなる半監督型頸部がん細胞検出のための大規模データセットを初めて構築した。
論文 参考訳(メタデータ) (2021-04-07T17:11:27Z) - ESTAN: Enhanced Small Tumor-Aware Network for Breast Ultrasound Image
Segmentation [0.0]
本稿では,乳腺腫瘍を正確に分類するための新しいディープニューラルネットワークアーキテクチャであるESTAN(Enhanced Small tumor-Aware Network)を提案する。
ESTANは、2つのエンコーダを導入し、異なるスケールで画像コンテキスト情報を抽出し、フューズする。
論文 参考訳(メタデータ) (2020-09-27T16:42:59Z) - Synthesizing lesions using contextual GANs improves breast cancer
classification on mammograms [0.4297070083645048]
本稿では, マンモグラムの病変を現実的に合成し, 除去するデータ拡張のための, GANモデルを提案する。
自己注意と半教師付き学習コンポーネントにより、U-netベースのアーキテクチャは高解像度(256x256px)の出力を生成することができる。
論文 参考訳(メタデータ) (2020-05-29T21:23:00Z) - Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。
提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
論文 参考訳(メタデータ) (2020-02-03T22:25:01Z)
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。