E-SegNet:正確な2Dおよび3D医療画像セグメンテーションのためのE型構造ネットワーク
Wei Wu1, Xin Yang1, Chenggui Yao2
1School of Computer Science and Software Engineering, University of Science and Technology Liaoning, Anshan 114051, China.
Research (Washington, D.C.)
|September 5, 2025
まとめ
新しい E 型セグメンテーションフレームワークは,従来の U 型モデルよりも少ないパラメータで優れた医療画像セグメンテーション性能を提供します. このアプローチは,複雑なセグメンテーションタスクの精度向上のために機能表現を強化します.
科学分野:
- コンピュータ・ビジョン
- 医学画像分析
- ディープラーニングアーキテクチャ
背景:
- U型アーキテクチャは医療画像セグメンテーションの標準です.
- 現在のモデルは,より高い精度のためにパラメータを増加させ,現実世界の使用を制限します.
- 効率的で正確なセグメンテーション方法の必要性
研究 の 目的:
- U型モデルの効率的な代替としてE型セグメンテーションフレームワークを導入します.
- 機能表現の強化のための新しいモジュールを開発します.
- 医療画像のセグメンテーションの精度を向上させ,計算コストを削減します.
主な方法:
- 深い統合のためのマルチスケールエンコーダー機能を集約する E 型フレームワークを提案しました.
- ローカルとグローバルコンテキストのためのマルチスケール大カーネルコンボリューション (MLKConv) を導入した.
- 医療画像セグメンテーションのための2Dおよび3D E-SegNetモデルを開発しました.
主要な成果:
- E型アプローチはU型モデルと比較してパラメータを大幅に削減します.
- 複数の2Dと3Dの医療画像データセットで最先端の性能 (SOTA) を達成しました.
- 特に複雑なセグメンテーションのタスクでは,優れた精度を示しています.
結論:
- E型フレームワークは医療画像のセグメンテーションに より効率的で効果的なアプローチを提供します.
- MLKConvモジュールは機能表示機能を強化します.
- 提案されたモデルは,臨床応用のための有望な進歩を提供します.
