論文の概要: LVS-Net: A Lightweight Vessels Segmentation Network for Retinal Image Analysis
- arxiv url: http://arxiv.org/abs/2412.05968v1
- Date: Sun, 08 Dec 2024 15:21:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-10 14:56:41.594437
- Title: LVS-Net: A Lightweight Vessels Segmentation Network for Retinal Image Analysis
- Title（参考訳）: LVS-Net:網膜画像解析のための軽量容器分割ネットワーク
- Authors: Mehwish Mehmood, Shahzaib Iqbal, Tariq Mahmood Khan, Ivor Spence, Muhammad Fahim,
- Abstract要約: 本稿では,網膜血管を分割して疾患検出効率を向上させる軽量エンコーダデコーダモデルを提案する。
エンコーダにマルチスケールの畳み込みブロックを組み込んで、様々な大きさと厚さの容器を正確に識別する。
ダイススコアが86.44%、84.22%、87.88%の既存モデルを上回っている。
- 参考スコア（独自算出の注目度）: 1.347667211255822
- License:
- Abstract: The analysis of retinal images for the diagnosis of various diseases is one of the emerging areas of research. Recently, the research direction has been inclined towards investigating several changes in retinal blood vessels in subjects with many neurological disorders, including dementia. This research focuses on detecting diseases early by improving the performance of models for segmentation of retinal vessels with fewer parameters, which reduces computational costs and supports faster processing. This paper presents a novel lightweight encoder-decoder model that segments retinal vessels to improve the efficiency of disease detection. It incorporates multi-scale convolutional blocks in the encoder to accurately identify vessels of various sizes and thicknesses. The bottleneck of the model integrates the Focal Modulation Attention and Spatial Feature Refinement Blocks to refine and enhance essential features for efficient segmentation. The decoder upsamples features and integrates them with the corresponding feature in the encoder using skip connections and the spatial feature refinement block at every upsampling stage to enhance feature representation at various scales. The estimated computation complexity of our proposed model is around 29.60 GFLOP with 0.71 million parameters and 2.74 MB of memory size, and it is evaluated using public datasets, that is, DRIVE, CHASE\_DB, and STARE. It outperforms existing models with dice scores of 86.44\%, 84.22\%, and 87.88\%, respectively.
- Abstract（参考訳）: 様々な疾患の診断のための網膜画像の解析は、研究の新たな領域の1つである。
近年,認知症を含む多くの神経疾患を有する患者において,網膜血管の変化について調査する方向に傾いている。
本研究は,より少ないパラメータで網膜血管のセグメンテーションモデルの性能を向上させることにより,早期に疾患を検出することに焦点を当て,計算コストを低減し,高速な処理を支援する。
本稿では,網膜血管を分割して疾患検出効率を向上させる軽量エンコーダデコーダモデルを提案する。
エンコーダにマルチスケールの畳み込みブロックを組み込んで、様々な大きさと厚さの容器を正確に識別する。
このモデルのボトルネックは、効率的なセグメンテーションに欠かせない特徴を洗練・強化するために、Focal Modulation AttentionとSpatial Feature Refinement Blocksを統合している。
デコーダは、各アップサンプリングステージにおけるスキップ接続と空間的特徴改善ブロックを用いて、機能をアップサンプリングし、エンコーダの対応する特徴と統合し、様々なスケールにおける特徴表現を強化する。
提案モデルの計算複雑性は,約29.60 GFLOPで,パラメータ0.71万,メモリサイズ2.74MBであり,公開データセット(DRIVE,CHASE\_DB,STARE)を用いて評価した。
ダイススコアが86.44\%、84.22\%、87.88\%の既存モデルを上回っている。
関連論文リスト
- A New Approach for Evaluating and Improving the Performance of Segmentation Algorithms on Hard-to-Detect Blood Vessels [0.0]
容器の局所強度と画素周辺の画像背景を比較することにより、各容器画素に対して局所血管塩濃度(LVS)指数を算出する。
低濃度リコール(LSRecall)は、低濃度の血管セグメントにおけるセグメンテーションアルゴリズムの性能を定量化する新しい精度指標である。
高いDice値とリコール値を持つセグメンテーションアルゴリズムはLSRecall値が非常に低いことを示し、これらのアルゴリズムの系統的誤りを、低いサリエンスを持つ船舶に対して明らかにする。
論文 参考訳（メタデータ） (2024-06-19T00:45:57Z) - 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) - Shape Matters: Detecting Vertebral Fractures Using Differentiable
Point-Based Shape Decoding [51.38395069380457]
変性性脊椎疾患は高齢者に多い。
骨粗しょう性骨折やその他の変性変形性骨折のタイムリーな診断は、重度の腰痛や障害のリスクを軽減するための前向きな処置を促進する。
本研究では,脊椎動物に対する形状自動エンコーダの使用について検討する。
論文 参考訳（メタデータ） (2023-12-08T18:11:22Z) - 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) - Multilayer Multiset Neuronal Networks -- MMNNs [55.2480439325792]
本研究は,2層以上の類似性ニューロンを組み込んだ多層神経回路網について述べる。
また,回避すべき画像領域に割り当てられる反プロトタイプ点の利用についても検討した。
論文 参考訳（メタデータ） (2023-08-28T12:55:13Z) - Affinity Feature Strengthening for Accurate, Complete and Robust Vessel
Segmentation [48.638327652506284]
血管セグメンテーションは、冠動脈狭窄、網膜血管疾患、脳動脈瘤などの多くの医学的応用において重要である。
コントラストに敏感なマルチスケールアフィニティアプローチを用いて,幾何学的手法と画素単位のセグメンテーション特徴を連成的にモデル化する新しいアプローチであるAFNを提案する。
論文 参考訳（メタデータ） (2022-11-12T05:39:17Z) - RetiFluidNet: A Self-Adaptive and Multi-Attention Deep Convolutional
Network for Retinal OCT Fluid Segmentation [3.57686754209902]
OCTガイド下治療には網膜液の定量化が必要である。
RetiFluidNetと呼ばれる新しい畳み込みニューラルアーキテクチャは、多クラス網膜流体セグメンテーションのために提案されている。
モデルは、テクスチャ、コンテキスト、エッジといった特徴の階層的な表現学習の恩恵を受ける。
論文 参考訳（メタデータ） (2022-09-26T07:18:00Z) - Multi-Scale Context-Guided Lumbar Spine Disease Identification with
Coarse-to-fine Localization and Classification [22.62393344071125]
この研究は、腰椎疾患の同定のための、粗大な局所化と分類を含むマルチスケールのコンテキスト誘導ネットワークCCF-Netを導入する。
実験結果から, 粗大な設計により, パラメータやデータ要求が少なく, 高い性能が得られる可能性が示唆された。
論文 参考訳（メタデータ） (2022-03-16T05:51:16Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - 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)
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。