論文の概要: Tree-NET: Enhancing Medical Image Segmentation Through Efficient Low-Level Feature Training
- arxiv url: http://arxiv.org/abs/2501.02140v1
- Date: Fri, 03 Jan 2025 23:17:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-07 17:06:17.097424
- Title: Tree-NET: Enhancing Medical Image Segmentation Through Efficient Low-Level Feature Training
- Title(参考訳): Tree-NET: 効率的な低レベル特徴訓練による医用画像セグメンテーションの強化
- Authors: Orhan Demirci, Bulent Yilmaz,
- Abstract要約: 本稿では,医療画像セグメンテーションのための新しいフレームワークであるTree-NETを紹介する。
Tree-NETは、セグメンテーション精度と計算効率の両方を向上させるためにボトルネック機能監視を使用する。
実験の結果、Tree-NETはFLOPを4倍から13倍に減らし、メモリ使用量を減らし、元のものと同等または優れた精度を実現していることがわかった。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: This paper introduces Tree-NET, a novel framework for medical image segmentation that leverages bottleneck feature supervision to enhance both segmentation accuracy and computational efficiency. While previous studies have employed bottleneck feature supervision, their applications have largely been limited to the training phase, offering no computational benefits during training or evaluation. To the best of our knowledge, this study is the first to propose a framework that incorporates two additional training phases for segmentation models, utilizing bottleneck features at both input and output stages. This approach significantly improves computational performance by reducing input and output dimensions with a negligible addition to parameter count, without compromising accuracy. Tree-NET features a three-layer architecture comprising Encoder-Net and Decoder-Net, which are autoencoders designed to compress input and label data, respectively, and Bridge-Net, a segmentation framework that supervises the bottleneck features. By focusing on dense, compressed representations, Tree-NET enhances operational efficiency and can be seamlessly integrated into existing segmentation models without altering their internal structures or increasing model size. We evaluate Tree-NET on two critical segmentation tasks -- skin lesion and polyp segmentation -- using various backbone models, including U-NET variants and Polyp-PVT. Experimental results demonstrate that Tree-NET reduces FLOPs by a factor of 4 to 13 and decreases memory usage, while achieving comparable or superior accuracy compared to the original architectures. These findings underscore Tree-NET's potential as a robust and efficient solution for medical image segmentation.
- Abstract(参考訳): 本稿では,医療画像セグメンテーションのための新しいフレームワークであるTree-NETを紹介し,セグメンテーションの精度と計算効率の両立を図る。
これまでの研究ではボトルネック機能監視が採用されていたが、その応用はトレーニングフェーズに限られており、トレーニングや評価の際の計算上のメリットは提供されていない。
我々の知る限り、本研究では、入力および出力段階のボトルネック機能を利用して、セグメンテーションモデルのための2つの追加トレーニングフェーズを組み込んだフレームワークを初めて提案する。
提案手法は,パラメータ数に負の加算を加えることで,精度を損なうことなく,入力次元と出力次元を削減し,計算性能を著しく向上させる。
Tree-NETにはEncoder-NetとDecoder-Netという3層アーキテクチャがあり、それぞれ入力データとラベルデータを圧縮するオートエンコーダと、ボトルネック機能を監督するセグメンテーションフレームワークであるBridge-Netがある。
密集した圧縮表現に焦点を当てることで、Tree-NETは運用効率を向上し、内部構造を変更したりモデルサイズを拡大したりすることなく、既存のセグメンテーションモデルにシームレスに統合することができる。
U-NETとPolyp-PVTを含む様々なバックボーンモデルを用いて、皮膚病変とポリプセグメンテーションという2つの重要なセグメンテーションタスクでTree-NETを評価する。
実験の結果、Tree-NETはFLOPを4倍から13倍に減らし、メモリ使用量を減らし、元のアーキテクチャと比べて同等または優れた精度を実現している。
これらの知見は、医療画像セグメンテーションの堅牢で効率的なソリューションとしてのTree-NETの可能性を強調している。
関連論文リスト
- BRAU-Net++: U-Shaped Hybrid CNN-Transformer Network for Medical Image Segmentation [11.986549780782724]
医用画像の正確な分割作業のために,BRAU-Net++ というハイブリッドで効果的な CNN-Transformer ネットワークを提案する。
具体的には、BRAU-Net++は、U字型エンコーダデコーダ構造を設計するために、コアビルディングブロックとしてバイレベルルーティングアテンションを使用する。
提案手法は,そのベースラインであるBRAU-Netを含む,最先端の手法を超越した手法である。
論文 参考訳(メタデータ) (2024-01-01T10:49:09Z) - MS-UNet-v2: Adaptive Denoising Method and Training Strategy for Medical
Image Segmentation with Small Training Data [17.228264498986295]
本研究では,医用画像分割作業のための新しいU-NetモデルMS-UNetを提案する。
提案したマルチスケールネストデコーダ構造により,デコーダとエンコーダの機能マッピングをセマンティックに近づけることができる。
さらに,MS-UNetのセグメンテーション性能を効果的に向上するだけでなく,他のモデルにも個別に適用できる新しいエッジロスとプラグアンドプレイ細調整モジュールを提案する。
論文 参考訳(メタデータ) (2023-09-07T13:00:27Z) - UNETR++: Delving into Efficient and Accurate 3D Medical Image Segmentation [93.88170217725805]
本稿では,高画質なセグメンテーションマスクと,パラメータ,計算コスト,推論速度の両面での効率性を提供するUNETR++という3次元医用画像セグメンテーション手法を提案する。
我々の設計の核となるのは、空間的およびチャネル的な識別的特徴を効率的に学習する、新しい効率的な対注意ブロック(EPA)の導入である。
Synapse, BTCV, ACDC, BRaTs, Decathlon-Lungの5つのベンチマークで評価した結果, 効率と精度の両面で, コントリビューションの有効性が示された。
論文 参考訳(メタデータ) (2022-12-08T18:59:57Z) - Deep Neural Network Pruning for Nuclei Instance Segmentation in
Hematoxylin & Eosin-Stained Histological Images [2.137877631340496]
プルーニングディープニューラルネットワーク(DNN)は、精度と一般化能力を改善するために多くの注目を集めている。
本研究では, 階層的, ネットワーク規模のプルーニング技術が組織像の核インスタンス分割性能に及ぼす影響について検討する。
論文 参考訳(メタデータ) (2022-06-15T09:52:41Z) - Bottleneck Transformers for Visual Recognition [97.16013761605254]
視覚タスクに自己注意を組み込んだ強力なバックボーンアーキテクチャであるBoTNetを提案する。
我々は、ImageNetベンチマークにおいて84.7%のトップ1の精度で高いパフォーマンスを達成するモデルを提案する。
私たちのシンプルで効果的なアプローチが、将来のビジョンのための自己注意モデル研究の強力なベースラインになることを期待しています。
論文 参考訳(メタデータ) (2021-01-27T18:55:27Z) - Boundary-Aware Segmentation Network for Mobile and Web Applications [60.815545591314915]
境界認識ネットワーク(basnet)は、精度の高い画像分割のための予測再定義アーキテクチャとハイブリッド損失と統合されている。
basnetは単一のgpu上で70fps以上動作し、多くの潜在的なアプリケーションが利用できる。
BASNetをベースに、BASNetが「COPY」と「PASTING」現実世界のオブジェクトのための拡張現実であるAR COPY & PASTEと、オブジェクト背景の自動削除のためのWebベースのツールであるOBJECT CUTの2つの(近い)商用アプリケーションをさらに開発しました。
論文 参考訳(メタデータ) (2021-01-12T19:20:26Z) - KiU-Net: Overcomplete Convolutional Architectures for Biomedical Image
and Volumetric Segmentation [71.79090083883403]
トラディショナル・エンコーダ・デコーダに基づく手法は, より小さな構造を検出でき, 境界領域を正確に分割できない。
本稿では,(1)入力の細部と正確なエッジを捉えることを学ぶ完全畳み込みネットワークKite-Netと,(2)高レベルの特徴を学習するU-Netの2つの枝を持つKiU-Netを提案する。
提案手法は,より少ないパラメータとより高速な収束の利点により,最近のすべての手法と比較して性能が向上する。
論文 参考訳(メタデータ) (2020-10-04T19:23:33Z) - EfficientFCN: Holistically-guided Decoding for Semantic Segmentation [49.27021844132522]
最先端セマンティックセマンティックセグメンテーションアルゴリズムは主に拡張されたFully Convolutional Networks (DilatedFCN)に基づいている
本稿では,拡張畳み込みのないイメージネット事前学習ネットワークをバックボーンとする,効率的なFCNを提案する。
このようなフレームワークは、計算コストの1/3しか持たない最先端の手法に比べて、同等またはそれ以上の性能を達成する。
論文 参考訳(メタデータ) (2020-08-24T14:48:23Z) - Structured Convolutions for Efficient Neural Network Design [65.36569572213027]
畳み込みニューラルネットワーク構築ブロックのテクスト単純構造における冗長性を利用してモデル効率に取り組む。
この分解が2Dカーネルや3Dカーネルだけでなく、完全に接続されたレイヤにも適用可能であることを示す。
論文 参考訳(メタデータ) (2020-08-06T04:38:38Z)
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。