文献

J-GLOBAL ID：202002213045099148   整理番号：20A1897782

SCAU-Net:グランドセグメンテーションのための空間チャネル注意U-Net【JST・京大機械翻訳】

SCAU-Net: Spatial-Channel Attention U-Net for Gland Segmentation

著者 (5件)： Zhao Peng (First Affiliated Hospital, Zhejiang University School of Medicine, Hangzhou, China) ,  Zhang Jindi (College of Computer Science and Technology, Zhejiang University, Hangzhou, China) ,  Fang Weijia (First Affiliated Hospital, Zhejiang University School of Medicine, Hangzhou, China) ,  Deng Shuiguang (First Affiliated Hospital, Zhejiang University School of Medicine, Hangzhou, China) ,  Deng Shuiguang (College of Computer Science and Technology, Zhejiang University, Hangzhou, China)
資料名： Frontiers in Bioengineering and Biotechnology (Web)  (Frontiers in Bioengineering and Biotechnology (Web))
巻： 8  ページ： 670  発行年： 2020年 
JST資料番号： U7059A  ISSN： 2296-4185  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 医学技術の発展により,画像意味セグメンテーションは,ヒト組織の形態分析,定量化,および診断のために非常に重要である。しかし,手動検出とセグメンテーションは時間のかかるタスクである。特に生物医学画像では,専門家のみが組織を同定し,それらの輪郭をマークする。近年,深層学習の開発はコンピュータ自動セグメンテーションの精度を大きく改善した。本論文は,医用画像の現在の研究状態に基づく空間-Channel注意U-Net(SCAU-Net)と呼ばれる深い学習画像意味セグメンテーションネットワークを提案する。SCAU-Netは,プラグアンドプレイモジュールとして空間およびチャネル注意と統合した符号器デコーダ型対称構造を有した。主なアイデアは,局所関連特徴を強化して,空間とチャネルレベルで無関係な特徴を抑制することである。腺データセットGlaSとCRAGに関する実験は,提案したSCAU-Netモデルが画像セグメンテーションタスクにおける古典的U-Netモデルより優れていることを示し,Diceスコアの1%の改善とJacardスコアの1.5%の改善があった。Copyright 2020 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 対称性 ,  学習 ,  *セグメンテーション ,  復号器 ,  ヒト ,  符号器 ,  医用画像 ,  チャネル ,  コンピュータ
準シソーラス用語： 画像セグメンテーション ,  プラグアンドプレイ ,  生物医学 ,  スペシエーション分析 ,  自動セグメンテーション ,  深層学習 , 【Automatic Indexing@JST】

著者キーワード (5件)： 深層学習 ,  セマンティックセグメンテーション ,  注意機構 ,  医療画像 ,  腺

分類 (2件)： 人工知能  (JE08000Z) ,  医用画像処理  (JE04020T)

引用文献 (36件)：

• Badrinarayanan V., Kendall A., Cipolla R. (2017). Segnet: a deep convolutional encoder-decoder architecture for image segmentation. IEEE Trans. Pattern Anal. Mach. Intell. 39, 2481-2495. doi: 10.1109/TPAMI.2016.2644615
• Chen H., Qi X., Yu L., Heng P.-A. (2016). "Dcan: deep contour-aware networks for accurate gland segmentation," in Proceedings of the IEEE conference on Computer Vision and Pattern Recognition (Las Vegas, NV), 2487-2496. doi: 10.1109/CVPR.2016.273
• Chen L.-C., Zhu Y., Papandreou G., Schroff F., Adam H. (2018). "Encoder-decoder with atrous separable convolution for semantic image segmentation," in Proceedings of the European Conference on Computer Vision (ECCV) (Munich), 801-818. doi: 10.1007/978-3-030-01234-2_49
• Christ P. F., Ettlinger F., Grün F., Elshaera M. E. A., Lipkova J., Schlecht S., et al. (2017). Automatic liver and tumor segmentation of CT and MRI volumes using cascaded fully convolutional neural networks. arXiv preprint arXiv:1702.05970. doi: 10.1007/978-3-030-01234-2_49
• Çiçcek Ö., Abdulkadir A., Lienkamp S. S., Brox T., Ronneberger O. (2016). "3D u-net: learning dense volumetric segmentation from sparse annotation," in International Conference on Medical Image Computing and Computer-Assisted Intervention (Athens: Springer), 424-432. doi: 10.1007/978-3-319-46723-8_49

タイトルに関連する用語 (5件)： グランド ,  セグメンテーション ,  チャネル ,  注意 ,  U-Net