[DL輪読会]Combining Fully Convolutional and Recurrent Neural Networks for 3D Biomedical Image Segmentation (NIPS 2016 Poster)／U-Net: Convolutional Networks for Biomedical Image Segmentation (MICCAI 2015)
6 likes2,487 views
![[DL輪読会]Combining Fully Convolutional and Recurrent Neural Networks for 3D Biomedical Image Segmentation (NIPS 2016 Poster)／U-Net: Convolutional Networks for Biomedical Image Segmentation (MICCAI 2015)](https://image.slidesharecdn.com/20170203dlhacks-170203004925/85/DL-Combining-Fully-Convolutional-and-Recurrent-Neural-Networks-for-3D-Biomedical-Image-Segmentation-NIPS-2016-Poster-U-Net-Convolutional-Networks-for-Biomedical-Image-Segmentation-MICCAI-2015-22-320.jpg)
[DL輪読会]Combining Fully Convolutional and Recurrent Neural Networks for 3D Biomedical Image Segmentation (NIPS 2016 Poster)／U-Net: Convolutional Networks for Biomedical Image Segmentation (MICCAI 2015)
- 2. 趣旨 - 医用画像に適用される Deep Learning - タスク - X線の2D肺画像 - CTスキャンによる3D肺画像 - その他 2
- 3. 3http://www.nipsml4hc.ws/posters , https://sites.google.com/site/icml2015mi/ ICML 2015 NIPS 2016
- 8. 目次 - CTスキャンによる3D肺画像 - X線の2D肺画像 - その他 8
- 9. U-Net: Convolutional Networks for Biomedical Image Segmentation 9 - https://arxiv.org/abs/1505.04597 , MICCAI 2015 - 医用画像によく出てくる，細胞レベルの画像に適したCNNの構造を提案 - 現在のKaggleの3D 肺スキャン問題のTutorialに使われている (web)
- 10. Combining Fully Convolutional and Recurrent Neural Networks for 3D Biomedical Image Segmentation 10 - https://arxiv.org/abs/1609.01006 , NIPS2016 Poster , Cited by 3 (Google Scholar, Jan 23, 2017) - 3次元医療データでよく見られる異方性の性質を，LSTMによりうまく扱えている - 異方性 = z軸方向だけ，xy平面と長さのスケールが違い，単純なCNNでは扱いにくい - xy平面用のU-Netを複数つないだ出力を，z軸処理用のLSTMに投げている
- 11. Combining Fully Convolutional and Recurrent Neural Networks for 3D Biomedical Image Segmentation 11 - https://arxiv.org/abs/1609.01006 , NIPS2016 Poster , Cited by 3 (Google Scholar, Jan 23, 2017) - 3次元医療データでよく見られる異方性の性質をうまく扱えている - xy平面用のU-Netを複数つないだ出力を，z軸処理用のLSTMに投げている -
- 12. 目次 - CTスキャンによる3D肺画像 - X線の2D肺画像 - その他 12
- 13. Learning what to look in chest X-rays with a recurrent visual attention model 13 - NIPS 2016 Workshop on Machine Learning for Health http://arxiv.org/abs/1701.06452 - AttentionとConvolutional Autoencoderで，胸部X線から 心臓肥大と(埋め込みの)医療機器を検出． - "Recurrent Models of Visual Attension (NIPS 2014)"を使っている
- 14. Learning what to look in chest X-rays with a recurrent visual attention model 14 - Inception-v3に1%負けているが，パラメータ数は1/4で済む．
- 15. Learning what to look in chest X-rays with a recurrent visual attention model 15 - 左: 上がvalidationセットでの精度，下がattentionの頻度 - 右: attentionの進行
- 16. Fully Convolutional Architectures for Multi-Class Segmentation in Chest Radiographs 16 - https://arxiv.org/abs/1701.08816 , Jan. 30 2017 - 肺，鎖骨，心臓の検出をセグメンテーション問題として解いた - JSRTという，247枚の画像のデータセットで学習
- 17. Fully Convolutional Architectures for Multi-Class Segmentation in Chest Radiographs 17 - U-Net という医療系のCNN亜種(後述)を，3つの方法で拡張 - a) All-Dropout : 全てのConvレイヤーの直後にDropout - b) InvertedNet : (a)のフィルタサイズを逆転 - c) All-Convolutional : poolingをConvで置き換えた - 最終的に，(b)が良い性能を出した(下図の青)
- 18. Deconvolutional Feature Stacking for Weakly-Supervised Semantic Segmentation 18 - https://arxiv.org/pdf/1602.04984v3.pdf - 画像単位の教師ラベルしかないときに，ピクセル毎のセグメンテーションを出力する(weakly-supervised) - Deconvolutionした画像を全部合わせて，また識別器に入力する - (論文の結果)
- 19. Self-Transfer Learning for Fully Weakly Supervised Object Localization 19 - https://arxiv.org/pdf/1602.01625v1.pdf - 前ページの論文の進化版で，画像が少なくpretrainingが難しいときでも使える - 全体用のclassificationレイヤーと，ピクセルのlocalizationレイヤーを同時に学習する(だんだんlocalを増やす) - (論文の結果)
- 20. 目次 - CTスキャンによる3D肺画像 - X線の2D肺画像 - その他 20
- 21. Medical image denoising using convolutional denoising autoencoders 21 - https://arxiv.org/pdf/1608.04667v2.pdf - 医用画像のノイズを取り除くのには，Convolutional DAEが有用 - (論文の結果)