核心概念
セマンティックセグメンテーションにおけるファジーランクベースのレイトフュージョン技術の重要性と効果を探求する。
要約
細胞学画像セグメンテーションにおけるファジーランクベースのレイトフュージョン技術に焦点を当てた研究。
3つの伝統的なセマンティックセグメンテーションモデル(UNet、SegNet、PSP-Net)を統合したファジーランクベースの融合ルールにより、HErlevデータセットで最大MeanIoUスコア84.27%、JUCYT-v1データセットで83.79%を達成。
ファジーランクベースのレイトフュージョングルールは、他の伝統的な融合ルールよりも優れたパフォーマンスを示すことが示されている。
導入
癌は21世紀における最も一般的な致死率が高い疾患であり、特に乳房、肺、子宮頸部などで報告されている。
FNAC(Fine Needle Aspiration Cytology)は低コストな生検技術であり、専門家が細胞診スライドを分析して判断を下す。
先行研究
過去数十年間にわたり、多くのCAD(Computer Aided Diagnosis)システムが開発されてきた。
深層学習ベースのセマンティックセグメンテーションモデルが医用画像領域で有望な結果を提供している。
提案手法
ファジーベースのレイトフュージョングルールは基本分類器の組み合わせによって意思決定を改善することが示唆されている。
結果と議論
ファジーラ...
統計
HErlevデータセットで最大MeanIoUスコア84.27%を達成。
JUCYT-v1データセットで83.79% Mean IoUスコアを達成。