抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
畳み込みニューラルネットワーク(CNN)による深層学習アーキテクチャはコンピュータビジョンの分野で優れた成功を達成する。U-Netでは,CNNにより構造化された符号器デコーダアーキテクチャは,生物医学画像セグメンテーションにおいて大きなブレークスルーをし,広範囲の実用的シナリオで応用されている。しかしながら,符号器部分と単純積層畳込みにおけるあらゆるダウンサンプリング層の等しい設計は,U-Netが異なった深さから特徴の十分な情報を抽出することを可能にしない。医用画像の複雑性の増加は,既存の方法に新しい挑戦をもたらす。本論文では,2つの新しいフレームワーク,すなわち,一次特徴保存とコンパクトなスプリットアテンションブロックに基づく低レベルで高レベルの意味情報を効率的に利用する,より深くてよりコンパクトなスプリットアテンションu型ネットワーク(DCSAU-Net)を提案した。CVC-ClinDB,2018データ科学Bowl,ISIC-2018およびSegPC-2021データセットに関する提案モデルを評価した。その結果,DCSAU-Netは,平均区間(mIoU)とF1-socreに関して,他の最新技術(SOTA)法よりも優れた性能を示した。さらに,提案モデルは,挑戦的な画像上で優れたセグメンテーション性能を示した。本研究のコードとより技術的詳細をhttps://github.com/xq141839/DCSAU Netで見つけることができる。【JST・京大機械翻訳】