IEEE Transactions on Medical Imaging· 2019Q1
CE-Net: 2D Tıbbi Görüntü Segmentasyonu için Bağlam Kodlayıcı Ağı
CE-Net: Context Encoder Network for 2D Medical Image Segmentation
- 2.224atıf
- Q1SCImago
- 2019yıl
Kısa özet
CE-Net, yeni bir derin öğrenme mimarisi, yoğun atrous ve artık çoklu çekirdekli havuzlama bloklarını içeren bir bağlam çıkarıcı entegre ederek üstün 2D tıbbi görüntü segmentasyonu sağlar ve optik disk ve akciğer segmentasyonu gibi görevlerde U-Net ve diğer yöntemleri geride bırakır.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- CE-Net mimarisi, yoğun atrous evrişim ve artık çoklu çekirdekli havuzlama içeren bir bağlam çıkarıcıyı entegre eder.
- Model, sabit bir özellik çıkarıcı olarak önceden eğitilmiş bir ResNet bloğu kullanır.
- CE-Net, havuzlama ve adımlı evrişimlerden kaynaklanan bilgi kaybını azaltarak U-Net'ten daha iyi uzamsal bilgi korur.
- Yöntem, optik disk, damar, akciğer, hücre ve retinal OCT segmentasyonu dahil olmak üzere birden çok 2D tıbbi görüntü segmentasyonu görevi üzerinde doğrulanmıştır.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Medical image segmentation is an important step in medical image analysis. With the rapid development of a convolutional neural network in image processing, deep learning has been used for medical image segmentation, such as optic disc segmentation, blood vessel detection, lung segmentation, cell segmentation, and so on. Previously, U-net based approaches have been proposed. However, the consecutive pooling and strided convolutional operations led to the loss of some spatial information. In this paper, we propose a context encoder network (CE-Net) to capture more high-level information and preserve spatial information for 2D medical image segmentation. CE-Net mainly contains three major components: a feature encoder module, a context extractor, and a feature decoder module. We use the pretrained ResNet block as the fixed feature extractor. The context extractor module is formed by a newly proposed dense atrous convolution block and a residual multi-kernel pooling block. We applied the proposed CE-Net to different 2D medical image segmentation tasks. Comprehensive results show that the proposed method outperforms the original U-Net method and other state-of-the-art methods for optic disc segmentation, vessel detection, lung segmentation, cell contour segmentation, and retinal optical coherence tomography layer segmentation.
Yazarların özeti; kaynağından alınmıştır. IEEE Transactions on Medical Imaging, 2019 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Radyoloji, Nükleer Tıp ve Görüntüleme
Radiology, Nuclear Medicine and ImagingMedicine