論文の概要: Latents of latents to delineate pixels: hybrid Matryoshka autoencoder-to-U-Net pairing for segmenting large medical images in GPU-poor and low-data regimes

• arxiv url: http://arxiv.org/abs/2502.08988v1
• Date: Thu, 13 Feb 2025 05:51:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-14 13:48:27.675628
• Title: Latents of latents to delineate pixels: hybrid Matryoshka autoencoder-to-U-Net pairing for segmenting large medical images in GPU-poor and low-data regimes
• Title（参考訳）: 画素を非直線化するための潜伏剤:GPU-poorおよび低データレシエーションにおける大きな医用画像の分割のためのハイブリッドMatryoshka autoencoder-to-U-Netペアリング
• Authors: Tahir Syed, Ariba Khan, Sawera Hanif,
• Abstract要約: 画素レベルのタスクに十分なピクセル幾何を維持しながら重要な情報を保持する低ランクなマトリリシカプロジェクションとハイブリッドセグメンテーションアーキテクチャを提案する。 我々は,Matryoshka Autoencoderの階層的符号化とU-Netデコーダの空間再構成機能を組み合わせたMatryoshka Autoencoder(MatAE-U-Net)を設計する。 MatAE-UNet モデルは平均 IoU 77.68%、平均 Pixel 97.46%、Dice Coefficient 86.91% を達成し、ベースライン U- を上回っている。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Medical images are often high-resolution and lose important detail if downsampled, making pixel-level methods such as semantic segmentation much less efficient if performed on a low-dimensional image. We propose a low-rank Matryoshka projection and a hybrid segmenting architecture that preserves important information while retaining sufficient pixel geometry for pixel-level tasks. We design the Matryoshka Autoencoder (MatAE-U-Net) which combines the hierarchical encoding of the Matryoshka Autoencoder with the spatial reconstruction capabilities of a U-Net decoder, leveraging multi-scale feature extraction and skip connections to enhance accuracy and generalisation. We apply it to the problem of segmenting the left ventricle (LV) in echocardiographic images using the Stanford EchoNet-D dataset, including 1,000 standardised video-mask pairs of cardiac ultrasound videos resized to 112x112 pixels. The MatAE-UNet model achieves a Mean IoU of 77.68\%, Mean Pixel Accuracy of 97.46\%, and Dice Coefficient of 86.91\%, outperforming the baseline U-Net, which attains a Mean IoU of 74.70\%, Mean Pixel Accuracy of 97.31\%, and Dice Coefficient of 85.20\%. The results highlight the potential of using the U-Net in the recursive Matroshka latent space for imaging problems with low-contrast such as echocardiographic analysis.
• Abstract（参考訳）: 医用画像は、しばしば高解像度であり、ダウンサンプリングすると重要な細部を失うため、低次元画像上で行う場合、セマンティックセグメンテーションのようなピクセルレベルの手法ははるかに効率が良くない。 画素レベルのタスクに十分なピクセル幾何を維持しながら重要な情報を保持する低ランクなマトリリシカプロジェクションとハイブリッドセグメンテーションアーキテクチャを提案する。 我々は,Matryoshka Autoencoderの階層的符号化とU-Netデコーダの空間的再構成機能を組み合わせたMatryoshka Autoencoder(MatAE-U-Net)を設計し,マルチスケールの特徴抽出とスキップ接続を活用して精度と一般化を向上する。 本研究では,Stanford EchoNet-Dデータセットを用いて左心室(LV)を心エコー画像に分割する問題に適用する。 MatAE-UNet モデルは平均 IoU が 77.68\%、平均 Pixel が 97.46\%、Dice Coefficient が 86.91\%、ベースライン U-Net が 74.70\%、平均 Pixel が 97.31\%、Dice Coefficient が 85.20\% である。 その結果,心エコー法などの低コントラスト画像問題に対する再帰性Matroshka潜伏空間におけるU-Netの有用性が明らかになった。

関連論文リスト

• Modifying the U-Net's Encoder-Decoder Architecture for Segmentation of Tumors in Breast Ultrasound Images [0.0]
  U-Netとエンコーダデコーダアーキテクチャに基づくニューラルネットワーク(NN)を提案する。 我々のネットワーク(CResU-Net)は82.88%、77.5%、90.3%、98.4%のDice類似係数を得た。
  論文  参考訳（メタデータ） (2024-09-01T07:47:48Z)
• DDU-Net: A Domain Decomposition-based CNN for High-Resolution Image Segmentation on Multiple GPUs [46.873264197900916]
  ドメイン分解に基づくU-Netアーキテクチャを導入し、入力イメージを重複しないパッチに分割する。 空間コンテキストの理解を高めるために、パッチ間情報交換を容易にするための通信ネットワークが追加される。 その結果、この手法は、パッチ間通信のない同一ネットワークと比較して、IoU(Universal over Union)スコアよりも2～3,%高い交点を達成できることが判明した。
  論文  参考訳（メタデータ） (2024-07-31T01:07:21Z)
• 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)
• Learned Focused Plenoptic Image Compression with Microimage Preprocessing and Global Attention [17.05466366805901]
  集光レンズカメラは、光フィールド(LF)の空間情報と角情報を同時に記録することができる。 既存のレンズ画像圧縮法は、マイクロレンズリレー画像によって生じる複雑なマイクロテクスチャと、マイクロイメージ間の長距離相関により、キャプチャ画像に非効率であることを示す。 焦点を絞ったレンズ画像の圧縮を効率よく行うために, エンド・ツー・エンドの学習アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-04-30T14:24:56Z)
• Enhanced Sharp-GAN For Histopathology Image Synthesis [63.845552349914186]
  病理組織像合成は、正確ながん検出のためのディープラーニングアプローチの訓練において、データ不足の問題に対処することを目的としている。 核トポロジと輪郭正則化を用いて合成画像の品質を向上させる新しい手法を提案する。 提案手法は、Sharp-GANを2つのデータセット上の4つの画像品質指標すべてで上回る。
  論文  参考訳（メタデータ） (2023-01-24T17:54:01Z)
• Class Balanced PixelNet for Neurological Image Segmentation [20.56747443955369]
  画素レベルの畳み込みニューラルネットワーク(CNN)を用いた自動脳腫瘍分割法(PixelNetなど)を提案する。 提案モデルは脳腫瘍と虚血性脳梗塞のセグメンテーションデータセットにおいて有望な結果を得た。
  論文  参考訳（メタデータ） (2022-04-23T10:57:54Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• Reducing Redundancy in the Bottleneck Representation of the Autoencoders [98.78384185493624]
  オートエンコーダは教師なしニューラルネットワークの一種であり、様々なタスクを解くのに使用できる。 本稿では,ボトルネック表現における特徴冗長性を明示的に罰する手法を提案する。 我々は,3つの異なるデータセットを用いた次元削減,MNISTデータセットを用いた画像圧縮,ファッションMNISTを用いた画像デノナイズという,さまざまなタスクにまたがってアプローチを検証した。
  論文  参考訳（メタデータ） (2022-02-09T18:48:02Z)
• Small Lesion Segmentation in Brain MRIs with Subpixel Embedding [105.1223735549524]
  ヒト脳のMRIスキャンを虚血性脳梗塞と正常組織に分割する方法を提案する。 本稿では,空間展開埋め込みネットワークによって予測を導出する標準エンコーダデコーダの形式でニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-09-18T00:21:17Z)
• 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)
• Efficient CNN-LSTM based Image Captioning using Neural Network Compression [0.0]
  CNN-LSTMベースの画像キャプションモデルの非従来のエンドツーエンド圧縮パイプラインを紹介します。 次に、異なる圧縮アーキテクチャがモデルに与える影響を検討し、73.1%のモデルサイズ削減を実現する圧縮アーキテクチャを設計する。
  論文  参考訳（メタデータ） (2020-12-17T16:25:09Z)

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。