要約
医療画像における解剖学的構造と異常の正確なセグメンテーションは、コンピューター支援の診断と分析にとって非常に重要です。
深層学習技術はこのタスクに優れていますが、計算要求が課題を引き起こします。
さらに、一部の最先端のセグメンテーション手法は、一般的なオブジェクトのセグメンテーションには効果的ですが、医療画像には最適化されていない場合があります。
これらの問題に対処するために、私たちは医療画像専用に設計された軽量のセグメンテーション ネットワークである Mini-Net を提案します。
Mini-Net は 38,000 未満のパラメータで高周波と低周波の両方の特徴を効率的にキャプチャし、さまざまな医用画像処理シナリオでのリアルタイム アプリケーションを可能にします。
DRIVE、STARE、ISIC-2016、ISIC-2018、MoNuSeg などのさまざまなデータセットで Mini-Net を評価し、最先端の手法と比較してその堅牢性と優れたパフォーマンスを実証します。
要約(オリジナル)
Accurate segmentation of anatomical structures and abnormalities in medical images is crucial for computer-aided diagnosis and analysis. While deep learning techniques excel at this task, their computational demands pose challenges. Additionally, some cutting-edge segmentation methods, though effective for general object segmentation, may not be optimised for medical images. To address these issues, we propose Mini-Net, a lightweight segmentation network specifically designed for medical images. With fewer than 38,000 parameters, Mini-Net efficiently captures both high- and low-frequency features, enabling real-time applications in various medical imaging scenarios. We evaluate Mini-Net on various datasets, including DRIVE, STARE, ISIC-2016, ISIC-2018, and MoNuSeg, demonstrating its robustness and good performance compared to state-of-the-art methods.
arxiv情報
著者 | Syed Javed,Tariq M. Khan,Abdul Qayyum,Arcot Sowmya,Imran Razzak |
発行日 | 2024-07-11 15:13:05+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google