Denoise pre-training for segmentation neural networks

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26220%2F19%3APU132911" target="_blank" >RIV/00216305:26220/19:PU132911 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Denoise pre-training for segmentation neural networks

Popis výsledku v původním jazyce

This paper proposes a method for pre-training segmentation neural networks on small datasets using unlabelled training data with added noise. The pre-training process helps the network with initial better weights settings for the training itself and also augments the training dataset when dealing with small labelled datasets especially in medical imaging. The experiment comparing results of pre-trained and not pre-trained networks on MRI brain segmentation task has shown that the denoise pre-training helps the network with faster training convergence without overfitting and achieving better results in all compared metrics even on very small datasets.

Název v anglickém jazyce

Denoise pre-training for segmentation neural networks

Popis výsledku anglicky

This paper proposes a method for pre-training segmentation neural networks on small datasets using unlabelled training data with added noise. The pre-training process helps the network with initial better weights settings for the training itself and also augments the training dataset when dealing with small labelled datasets especially in medical imaging. The experiment comparing results of pre-trained and not pre-trained networks on MRI brain segmentation task has shown that the denoise pre-training helps the network with faster training convergence without overfitting and achieving better results in all compared metrics even on very small datasets.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2019

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Proceedings of the 25th Conference STUDENT EEICT 2019

ISBN

978-80-214-5735-5

ISSN

—

e-ISSN

—

Počet stran výsledku

5

Strana od-do

739-744

Název nakladatele

Vysoké učení technické v Brně, Fakulta elektrotechniky a komunikačních technologií

Místo vydání

Brno

Místo konání akce

Brno

Datum konání akce

25. 4. 2019

Typ akce podle státní příslušnosti

CST - Celostátní akce

Kód UT WoS článku

—