論文の概要: Polyp segmentation in colonoscopy images using DeepLabV3++
- arxiv url: http://arxiv.org/abs/2407.19327v1
- Date: Sat, 27 Jul 2024 19:24:55 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-30 18:41:57.655849
- Title: Polyp segmentation in colonoscopy images using DeepLabV3++
- Title（参考訳）: DeepLabV3++を用いた大腸内視鏡像のポリプセグメンテーション
- Authors: Al Mohimanul Islam, Sadia Shakiba Bhuiyan, Mysun Mashira, Md. Rayhan Ahmed, Salekul Islam, Swakkhar Shatabda,
- Abstract要約: DeepLabv3+アーキテクチャの拡張版であるDeepLabv3++モデルを紹介します。
提案モデルでは,MSPPブロック内に多様な分離可能な畳み込み層とアテンション機構を組み込み,マルチスケールおよび指向性の特徴を捉える能力を向上させる。
実験により、DeepLabV3++はポリプセグメンテーションタスクにおいて、最先端のモデルよりも優れていることが示された。
- 参考スコア（独自算出の注目度）: 3.0182171147100076
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Segmenting polyps in colonoscopy images is essential for the early identification and diagnosis of colorectal cancer, a significant cause of worldwide cancer deaths. Prior deep learning based models such as Attention based variation, UNet variations and Transformer-derived networks have had notable success in capturing intricate features and complex polyp shapes. In this study, we have introduced the DeepLabv3++ model which is an enhanced version of the DeepLabv3+ architecture. It is designed to improve the precision and robustness of polyp segmentation in colonoscopy images. We have utilized The proposed model incorporates diverse separable convolutional layers and attention mechanisms within the MSPP block, enhancing its capacity to capture multi-scale and directional features. Additionally, the redesigned decoder further transforms the extracted features from the encoder into a more meaningful segmentation map. Our model was evaluated on three public datasets (CVC-ColonDB, CVC-ClinicDB, Kvasir-SEG) achieving Dice coefficient scores of 96.20%, 96.54%, and 96.08%, respectively. The experimental analysis shows that DeepLabV3++ outperforms several state-of-the-art models in polyp segmentation tasks. Furthermore, compared to the baseline DeepLabV3+ model, our DeepLabV3++ with its MSPP module and redesigned decoder architecture, significantly reduced segmentation errors (e.g., false positives/negatives) across small, medium, and large polyps. This improvement in polyp delineation is crucial for accurate clinical decision-making in colonoscopy.
- Abstract（参考訳）: 大腸内視鏡像におけるポリープの分離は,大腸癌の早期発見と診断に不可欠である。
注意に基づくバリエーションやUNetのバリエーション、トランスフォーマーから派生したネットワークといった、事前のディープラーニングに基づくモデルは、複雑な特徴や複雑なポリプ形状を捉えることに顕著な成功を収めている。
本研究では,DeepLabv3+アーキテクチャの拡張版であるDeepLabv3++モデルを紹介した。
大腸内視鏡画像におけるポリープセグメンテーションの精度と堅牢性を改善するために設計された。
提案モデルでは,MSPPブロック内に多様な分離可能な畳み込み層とアテンション機構を組み込んで,マルチスケールおよび指向性の特徴を捉える能力を向上させる。
さらに、再設計されたデコーダは、抽出した特徴をエンコーダからより意味のあるセグメンテーションマップに変換する。
CVC-ColonDB, CVC-ClinicDB, Kvasir-SEGの3つの公開データセットを用いて, Dice係数スコアが96.20%, 96.54%, 96.08%であった。
実験により、DeepLabV3++はポリプセグメンテーションタスクにおいて、最先端のモデルよりも優れていることが示された。
さらに、ベースラインのDeepLabV3+モデルと比較して、私たちのDeepLabV3++はMSPPモジュールと再設計されたデコーダアーキテクチャを備えており、小、中、大ポリプにわたるセグメンテーションエラー(例:偽陽性/負)を大幅に削減しています。
このポリプデライン化の改善は、大腸内視鏡の正確な臨床的意思決定に不可欠である。
関連論文リスト
- Polyp-E: Benchmarking the Robustness of Deep Segmentation Models via Polyp Editing [32.30835026874521]
日常的な臨床実践では、臨床医は位置と大きさのばらつきの両方でポリープを識別する堅牢性を示す。
自動大腸内視鏡検査において,深部分割モデルが同等の堅牢性を達成できるかどうかは不明である。
本研究は,ポリプ上でのセグメンテーションモデルのロバスト性について,様々な属性と健全なサンプルを用いて評価することに焦点を当てる。
論文 参考訳（メタデータ） (2024-10-22T06:30:37Z) - M3FPolypSegNet: Segmentation Network with Multi-frequency Feature Fusion
for Polyp Localization in Colonoscopy Images [1.389360509566256]
M3FPolypSegNet (M3FPolypSegNet) は、入力画像を低周波数成分/高周波数成分に分解する。
我々は3つの独立したマルチ周波数エンコーダを用いて、複数の入力画像を高次元の特徴空間にマッピングした。
我々は,4つのデコーダブロックで3つのマルチタスク学習(領域,エッジ,距離)を設計し,その領域の構造的特徴を学習した。
論文 参考訳（メタデータ） (2023-10-09T09:01:53Z) - 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) - Stepwise Feature Fusion: Local Guides Global [14.394421688712052]
本稿では,ピラミッドトランスフォーマーエンコーダを用いた医用画像セグメンテーションのためのState-Of-The-Artモデルを提案する。
提案するプログレッシブ・ローカリティ・デコーダをピラミッドトランスフォーマーのバックボーンに適応させて,局所的特徴と注意分散を強調する。
論文 参考訳（メタデータ） (2022-03-07T10:36:38Z) - Polyp-PVT: Polyp Segmentation with Pyramid Vision Transformers [124.01928050651466]
本稿では,Polyp-PVTと呼ばれる新しいタイプのPolypセグメンテーション手法を提案する。
提案モデルであるPolyp-PVTは,特徴の雑音を効果的に抑制し,その表現能力を大幅に向上させる。
論文 参考訳（メタデータ） (2021-08-16T07:09:06Z) - 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) - 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) - A Deep Convolutional Neural Network for the Detection of Polyps in
Colonoscopy Images [12.618653234201089]
大腸内視鏡画像中のポリープをコンピュータで検出するディープ畳み込みニューラルネットワークモデルを提案する。
光度計や幾何歪みなどのデータ拡張技術は、ポリープ検出で直面する障害を克服するために適応される。
論文 参考訳（メタデータ） (2020-08-15T13:55:44Z) - PraNet: Parallel Reverse Attention Network for Polyp Segmentation [155.93344756264824]
大腸内視鏡画像の高精度なポリープ分割のための並列リバースアテンションネットワーク(PraNet)を提案する。
並列部分復号器(PPD)を用いて,まず高層層に特徴を集約する。
さらに,エリアとバウンダリの関連性を確立するために,リバースアテンション(RA)モジュールを用いて境界キューをマイニングする。
論文 参考訳（メタデータ） (2020-06-13T08:13:43Z) - Colorectal Polyp Segmentation by U-Net with Dilation Convolution [9.840695333927496]
大腸癌(英:Colorectal cancer, CRC)は、アメリカ合衆国で最も一般的に診断されるがんの1つであり、がん死の原因となっている。
現在最も一般的な大腸ポリープ検出法は大腸内視鏡である。
大腸ポリープセグメンテーションのための新しいエンドツーエンドディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2019-12-26T23:27:18Z)
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。