Superpixel Based Segmentation and Classification of Polyps in Wireless Capsule Endoscopy
원문 초록
Wireless Capsule Endoscopy (WCE) is a relatively new technology to record the entire GI trace, in vivo. The large amounts of frames captured during an examination cause difficulties for physicians to review all these frames. The need for reducing the reviewing time using some intelligent methods has been a challenge. Polyps are considered as growing tissues on the surface of intestinal tract not inside of an organ. Most polyps are not cancerous, but if one becomes larger than a centimeter, it can turn into cancer by great chance. The WCE frames provide the early stage possibility for detection of polyps. Here, the application of simple linear iterative clustering (SLIC) superpixel for segmentation of polyps in WCE frames is evaluated. Different SLIC superpixel numbers are examined to find the highest sensitivity for detection of polyps. The SLIC superpixel segmentation is promising to improve the results of previous studies. Finally, the superpixels were classified using a support vector machine (SVM) by extracting some texture and color features. The classification results showed a sensitivity of 91%.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
RAMP: 엣지 CPU 비전 모델을 위한 강건한 적응형 혼합 정밀도 양자화
RAMP: Robust Adaptive Mixed-Precision Quantization for Edge CPU Vision Models
엣지 CPU에 심층 학습 모델을 배포할 때는 계산 및 메모리 제약이 병목이 된다. 혼합 정밀도 양자화는 정확도를 유지하면서 추론 지연을 줄일 수 있다고 기대된다. 그러나 양자화는 층 유형마다 서로 다르게 영향을 미치므로, 정확도 손실이 최소화되고 지연 감소가 최대화되는 위치를 찾는 것이 중요하며, 그 효과는 전체 배포에 걸쳐 누적되어 상당한 이득 또는 허용 불가능한 과제 성능 저하로 이어진다. 이러한 식별은 민감도 지표, 즉 모든 후보 정책의 과제 정확도를 평가하지 않고 층별 열화를 추정하는 대리 지표에 의존한다. 그럼에도 널리 쓰이는 지표는 최신 아키텍처에서 체계적으로 실패한다. 우리는 서로 뚜렷이 다른 네 개의 신경망에 걸친 층별 INT8 양자화에 대한 13개 민감도 지표의 체계적 실증 연구를 제시하고, 그로부터 얻은 정책을 두 ARM64 플랫폼에서 검증한다. 그래디언트 기반 민감도 방법은 8개 모델-하드웨어 구성 중 4개에서 실패하고, 가중치 기반 통계는 2개에서 실패한다. 반면 Jensen-Shannon Divergence는 치명적 실패가 전혀 없으며, 안전하게 양자화할 수 없는 층을 안정적으로 분리한다. 민감도 지표만으로는 정책이 정의되지 않으며, 그 단계에 흔히 쓰이는 고정 임계값은 최신 아키텍처의 고도로 치우친 분포에서 취약하다. 우리는 K-Means 클러스터링으로 이를 해결하여 거의 무손실 정확도와 전체 정밀도 모델 대비 평균 $1.81\times$ 속도 향상을 달성한다. 마지막으로, 민감도와 관계없이 속도 향상이 미미한 층을 양자화에서 제외하는 것이 역효과를 낼 수 있음을 밝힌다. 이는 계산 그래프 단편화를 유발하고 연산자 융합(operator fusion)을 비활성화하기 때문이다. 우리 결과는 GPU 접근이나 그래디언트 계산 없이 이질적 엣지 CPU에 양자화된 비전 모델을 배포하는 실무자와 연구자에게 구체적인 할당 정책을 제공한다.
확장 가능한 양자 향상 의료 이미지 분할을 위한 슈퍼픽셀 기반 QUBO
Superpixel-Based QUBO for Scalable Quantum-Enhanced Medical Image Segmentation
이차 무제약 이진 최적화(QUBO)는 의료 컴퓨팅 문제를 위한 강력한 프레임워크로 부상했다. 이진 결정 변수는 임상적 선택을 자연스럽게 표현하므로, QUBO 공식화는 양자 어닐링(quantum annealing) 하드웨어에 잘 맞다. 그러나 근본적인 확장성(scalability) 과제가 실용적 배포를 제한한다. 문제 크기는 입력 차원에 따라 급격히 증가하여 계산 병목을 만들고, 응용을 단순화된 시나리오로 제한한다. 본 논문은 계층적 문제 축소를 통해 이 과제를 해결하며, 이는 의료 이미지 분할에서 입증된다. 픽셀 수준 QUBO 공식화는 256×256 이미지에 65,000개 이상의 변수를 생성하여, 기존 접근법이 42×42 해상도로 다운샘플링하고 픽셀 정보의 97%를 버리도록 만든다. simple linear iterative clustering(SLIC)을 사용해 픽셀을 지각적으로 의미 있는 영역으로 묶는 슈퍼픽셀 기반 QUBO 프레임워크를 제안하고, min-cut과 smoothness 목적함수를 결합한 영역 인접 그래프(RAG) 위에서 분할을 QUBO로 공식화한다. INbreast 유방촬영 유방암 영상에 대한 검증 결과, 분할 품질이 4.2% 향상되었음(평균 IoU 0.76 대 0.73)을 보였으며, 계산 속도는 33배 향상(0.67초 대 21.97초), 문제 크기는 97.3% 감소(1764에서 48 변수)하였다. 이는 모두 다운샘플링된 버전이 아닌 전체 해상도 영상을 처리하면서 달성되었다. 축소된 문제 크기는 또한 현재 양자 어닐러의 연결성 한계 내에 잘 들어맞아, 역사적으로 양자 하드웨어에서 픽셀 수준 QUBO 분할의 직접 배포를 막아온 임베딩(embedding) 오버헤드를 제거한다.
Cross-Domain Few-Shot Semantic Segmentation
CNTK: Microsoft's Open-Source Deep-Learning Toolkit
GraRep: Learning Graph Representations with Global Structural Information
Chainer: a Next-Generation Open Source Framework for Deep Learning
토론
이 논문과 연결된 포럼 글이 아직 없습니다.