DefED-Net: Deformable Encoder-Decoder Network for Liver and Liver Tumor Segmentation
Notice bibliographique
Résumé
Deep convolutional neural networks have been widely used for medical image segmentation due to their superiority in feature learning. Although these networks are successful for simple object segmentation tasks, they suffer from two problems for liver and liver tumor segmentation in CT images. One is that convolutional kernels of fixed geometrical structure are unmatched with livers and liver tumors of irregular shapes. The other is that pooling and strided convolutional operations easily lead to the loss of spatial contextual information of images. To address these issues, we propose a deformable encoder-decoder network (DefED-Net) for liver and liver tumor segmentation. The proposed network makes two contributions. The first is that the deformable convolution is used to enhance the feature representation capability of DefED-Net, which can help the network to learn convolution kernels with adaptive spatial structuring information. The second is that we design a Ladder-atrous-spatial-pyramid-pooling module using multi-scale dilation rate (Ladder-ASPP) and apply the module to learn better context information than the atrous spatial pyramid pooling (ASPP) for CT image segmentation. The proposed DefED-Net is evaluated on two public benchmark datasets, the LiTS and the 3DIRCADb. Experiments demonstrate that the DefED-Net has better capability of feature representation as well as provides higher accuracy on liver and liver tumor segmentation than stateof-the art networks. The available code of DefED-Net we propose can be found from https://github.com/SUST-reynole/DefED-Net.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».