W-Net: Novel Deep Supervision for Deep Learning-based Cardiac Magnetic Resonance Imaging Segmentation

Singh, Kamal Raj; Sharma, Ambalika; Singh, Girish Kumar

doi:10.1080/03772063.2022.2098836

Cited by 5 publications

(1 citation statement)

References 44 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Günümüze kadar U-Net mimarisi, bölütleme araştırmalarında geniş bir kullanım alanı bulmuştur hatta çok sayıda yeni modelin geliştirilmesinde temel bir yapıtaşı olmuştur. U-Net modeli temelinde geliştirilen ve U-Net yöntemine göre daha iyi performans gösteren IterNet[8], W-Net[9,10] gibi bazı varyant modeller de zaman içerisinde sunulmuştur[11][12][13]. Bu tür varyant modellerin oluşturulmasında, iki veya daha fazla U-Net mimarisi, yapılan araştırmaya göre değişen belirli bağlantı yollarıyla birleştirilir.…”

unclassified

Dermoskopik görüntülerde lezyon bölütleme için iyileştirme önerileri

Arpacı,

Varlı

2024

GUMMFD

View full text Add to dashboard Cite

Görüntülerde bölütleme görevini gerçekleştiren U-Net mimarisi tıp alanında da oldukça başarılı sonuçlar elde etmiştir. Fakat daha iyi sonuçlar için mimarinin iyileştirilmesine de gerek vardır. Bu makalede, U-Net modelinin kodlayıcı bölümü için bazı iyileştirme önerileri sunulmaktadır ve uygulanan mimarinin dermoskopik görüntülerde lezyon bölütleme işlemi için bölütleme başarısı değerlendirilmektedir. Araştırma, PH2 ve “Uluslararası Cilt Görüntüleme İşbirliği” (ISIC-2016 ve ISIC-2017) veri kümeleri ile yapılmıştır. Geleneksel veri artırma yöntemi, seçilen PH2 veri kümesi örneklerine uygulanmıştır. Önerilen model (EnecaU-Net) ve U-Net modelinin PH2 veri kümesi ile elde edilen sonuçları karşılaştırılmıştır. Ayrıca bu makalede dermoskopik görüntülerde lezyon bölütleme işlemi için modelin bölütleme başarısı üzerinde etki gösteren karıştırma veri artırma yöntemi de incelenmiştir. Bu inceleme, ISIC-2016 veri kümesi ile yapılmıştır ve veri artırma işlemi uygulanmayan aynı miktardaki ISIC-2017 veri kümesi ile yapılan inceleme sonuçları karşılaştırılmıştır. Değerlendirme aşamasında model başarısının ölçümü için öncelikle Dice ve Jaccard (IoU) ölçütlerini kullanmış olmakla beraber özgüllük, duyarlılık ve doğruluk ölçütlerinden de faydalanılmıştır. Elde ettiğimiz sonuçlara göre, dermoskopik görüntülerde lezyon bölütleme işlemi için uygulanan EnecaU-Net modelinin bölütleme başarısı yüksektir ve uygulanan karıştırma veri artırma yöntemi, EnecaU-Net modelinin bölütleme başarısını iyileştirmektedir. Önerilen modelin ulaştığı ortalama test sonuçları, Dice ve Jaccard değerleri açısından sırasıyla ISIC-2016 için %88,05 ve %80,30 ve ISIC-2017 için %83,09 ve %74,54’tür.

show abstract

unclassified