論文の概要: PolypNextLSTM: A lightweight and fast polyp video segmentation network
using ConvNext and ConvLSTM
- arxiv url: http://arxiv.org/abs/2402.11585v1
- Date: Sun, 18 Feb 2024 13:24:48 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-20 20:06:49.113216
- Title: PolypNextLSTM: A lightweight and fast polyp video segmentation network
using ConvNext and ConvLSTM
- Title（参考訳）: PolypNextLSTM:ConvNextとConvLSTMを用いた軽量かつ高速なPolypビデオセグメンテーションネットワーク
- Authors: Debayan Bhattacharya, Konrad Reuter, Finn Behrendnt, Lennart Maack,
Sarah Grube, Alexander Schlaefer
- Abstract要約: PolypNextLSTMは、最小パラメータオーバーヘッドで優れたPolypセグメンテーション性能の時間情報を利用する。
我々の第一の斬新さはPolypNextLSTMであり、パラメータの最もリーンで最速のモデルとして際立っている。
SUN-SEGデータセットの評価は、容易に検出できるポリプシナリオと難しいポリプシナリオにまたがる。
- 参考スコア（独自算出の注目度）: 40.01199300702993
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Commonly employed in polyp segmentation, single image UNet architectures lack
the temporal insight clinicians gain from video data in diagnosing polyps. To
mirror clinical practices more faithfully, our proposed solution,
PolypNextLSTM, leverages video-based deep learning, harnessing temporal
information for superior segmentation performance with the least parameter
overhead, making it possibly suitable for edge devices. PolypNextLSTM employs a
UNet-like structure with ConvNext-Tiny as its backbone, strategically omitting
the last two layers to reduce parameter overhead. Our temporal fusion module, a
Convolutional Long Short Term Memory (ConvLSTM), effectively exploits temporal
features. Our primary novelty lies in PolypNextLSTM, which stands out as the
leanest in parameters and the fastest model, surpassing the performance of five
state-of-the-art image and video-based deep learning models. The evaluation of
the SUN-SEG dataset spans easy-to-detect and hard-to-detect polyp scenarios,
along with videos containing challenging artefacts like fast motion and
occlusion.
- Abstract（参考訳）: ポリプセグメンテーションで一般的に用いられる単一の画像unetアーキテクチャは、ポリープの診断においてビデオデータから得られる時間的洞察が欠如している。
臨床実践をより忠実に反映するために,提案手法であるPolypNextLSTMは,映像に基づく深層学習を活用し,時間的情報を利用して,最小パラメータオーバーヘッドでセグメンテーション性能を向上させる。
PolypNextLSTMは、UNetライクな構造で、ConvNext-Tinyをバックボーンとして、パラメータオーバーヘッドを減らすために、最後の2つのレイヤを戦略的に省略する。
我々の時間融合モジュールであるConvLSTM(Convolutional Long Short Term Memory)は、時間的特徴を効果的に活用する。
我々の主な特徴はPolypNextLSTMであり、パラメータの最もリーンで最速のモデルであり、5つの最先端の画像モデルとビデオベースのディープラーニングモデルの性能を上回っている。
sun-segデータセットの評価は、高速モーションやオクルージョンのような挑戦的なアーティファクトを含むビデオとともに、検出が容易で検出が難しいポリプシナリオにまたがる。
関連論文リスト
- xLSTM-UNet can be an Effective 2D & 3D Medical Image Segmentation Backbone with Vision-LSTM (ViL) better than its Mamba Counterpart [13.812935743270517]
医用画像セグメンテーションのバックボーンとしてVision-LSTM(xLSTM)を利用するUNet構造化ディープラーニングニューラルネットワークであるxLSTM-UNetを提案する。
xLSTMはLong Short-Term Memory (LSTM) ネットワークの後継として最近提案された。
以上の結果から,XLSTM-UNetはCNNベース,Transformerベース,およびMambaベースセグメンテーションネットワークの性能を一貫して上回っていることがわかった。
論文 参考訳（メタデータ） (2024-07-01T17:59:54Z) - Are Vision xLSTM Embedded UNet More Reliable in Medical 3D Image Segmentation? [3.1777394653936937]
本稿では,CNNとVision-xLSTM(Vision-xLSTM)モデルの統合について,UVixLSTMと呼ばれる新しいアプローチを導入することにより検討する。
Vision-xLSTMブロックは、CNN特徴マップから抽出されたパッチ内の時間的およびグローバルな関係をキャプチャする。
UVixLSTMは、公開データセットの最先端ネットワークよりも優れたパフォーマンスを示している。
論文 参考訳（メタデータ） (2024-06-24T08:01:05Z) - SALI: Short-term Alignment and Long-term Interaction Network for Colonoscopy Video Polyp Segmentation [22.3944058892309]
大腸内視鏡ビデオは直腸癌診断のためのポリープセグメンテーションにおいてより豊かな情報を提供する。
内視鏡の速い動きとクローズアップの観察により、現在の手法は大きな空間的不整合と連続的な低品質フレームに悩まされる。
短期アライメントモジュール(SAM)と長期インタラクションモジュール(LIM)のハイブリッドであるSALIネットワークを提案する。
論文 参考訳（メタデータ） (2024-06-19T13:15:04Z) - ECC-PolypDet: Enhanced CenterNet with Contrastive Learning for Automatic
Polyp Detection [88.4359020192429]
既存の手法では、計算コストのかかるコンテキストアグリゲーションが伴うか、ポリープの事前モデリングが欠如しているため、難解なケースでは性能が低下する。
本稿では,2段階のトレーニングとエンドツーエンド推論フレームワークである Enhanced CenterNet with Contrastive Learning (ECC-PolypDet) を提案する。
Box-assisted Contrastive Learning (BCL) は, クラス内差を最小限に抑え, 前庭ポリープと背景のクラス間差を最大化するため, 隠れポリープを捕捉する。
微調整段階におけるIoU誘導サンプル再重み付けの導入
論文 参考訳（メタデータ） (2024-01-10T07:03:41Z) - YONA: You Only Need One Adjacent Reference-frame for Accurate and Fast
Video Polyp Detection [80.68520401539979]
textbfYONA (textbfYou textbfOnly textbfNeed one textbfAdjacent Reference-frame)は、ビデオポリープ検出のための効率的なエンドツーエンドのトレーニングフレームワークである。
提案したYONAは,従来の最先端の競合他社よりも精度と速度の両面で優れています。
論文 参考訳（メタデータ） (2023-06-06T13:53:15Z) - Lesion-aware Dynamic Kernel for Polyp Segmentation [49.63274623103663]
ポリープセグメンテーションのための障害対応動的ネットワーク(LDNet)を提案する。
従来のU字型エンコーダ・デコーダ構造であり、動的カーネル生成と更新スキームが組み込まれている。
この単純だが効果的なスキームは、我々のモデルに強力なセグメンテーション性能と一般化能力を与える。
論文 参考訳（メタデータ） (2023-01-12T09:53:57Z) - Video Polyp Segmentation: A Deep Learning Perspective [97.70996418522748]
本稿では,第1回総合ビデオポリプセグメンテーション(VPS)研究について紹介する。
まず、有名なSUNデータセットから158,690フレームを含む、SUN-SEGという高品質なフレーム単位のVPSデータセットを紹介します。
また,グローバルエンコーダ,ローカルエンコーダ,正規化自己保持ブロックからなる,シンプルだが効率的なベースラインを設計する。
論文 参考訳（メタデータ） (2022-03-27T12:40:10Z) - Context-LSTM: a robust classifier for video detection on UCF101 [1.0152838128195467]
ビデオ検出と人間の行動認識は計算に高価であり、モデルを訓練するのに長い時間がかかるかもしれない。
本稿では,ビデオ検出のトレーニング時間とGPUメモリ使用量を削減することを目的として,競合検出精度を実現した。
論文 参考訳（メタデータ） (2022-03-13T09:43:27Z) - 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) - Noisy-LSTM: Improving Temporal Awareness for Video Semantic Segmentation [29.00635219317848]
本稿では,エンドツーエンドで学習可能なNoisy-LSTMという新しいモデルを提案する。
また,ビデオシーケンスのフレームをノイズに置き換える,シンプルで効果的なトレーニング戦略を提案する。
論文 参考訳（メタデータ） (2020-10-19T13:08:15Z)
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。