Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

ISLES Challenge: U-Shaped Convolution Neural Network with Dilated Convolution for 3D Stroke Lesion Segmentation

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F70883521%3A28140%2F19%3A63520856" target="_blank" >RIV/70883521:28140/19:63520856 - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://link.springer.com/chapter/10.1007%2F978-3-030-11723-8_32" target="_blank" >https://link.springer.com/chapter/10.1007%2F978-3-030-11723-8_32</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1007/978-3-030-11723-8_32" target="_blank" >10.1007/978-3-030-11723-8_32</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    ISLES Challenge: U-Shaped Convolution Neural Network with Dilated Convolution for 3D Stroke Lesion Segmentation

  • Popis výsledku v původním jazyce

    In this paper, we propose the algorithm for stroke lesion segmentation based on a deep convolutional neural network (CNN). The model is based on U-shaped CNN, which has been applied successfully to other medical image segmentation tasks. The network architecture was derived from the model presented in Isensee et al. [1] and is capable of processing whole 3D images. The model incorporates the convolution layers through upsampled filters – also known as dilated convolution. This change enlarges filter’s field of the view and allows the net to integrate larger context into the computation. We add the dilated convolution into different parts of network architecture and study the impact on the overall model performance. The best model which uses the dilated convolution in the input of the net outperforms the original architecture in nearly all used evaluation metrics. The code and trained models can be found on the GitHub website: http://github.com/tureckova/ISLES2018/.

  • Název v anglickém jazyce

    ISLES Challenge: U-Shaped Convolution Neural Network with Dilated Convolution for 3D Stroke Lesion Segmentation

  • Popis výsledku anglicky

    In this paper, we propose the algorithm for stroke lesion segmentation based on a deep convolutional neural network (CNN). The model is based on U-shaped CNN, which has been applied successfully to other medical image segmentation tasks. The network architecture was derived from the model presented in Isensee et al. [1] and is capable of processing whole 3D images. The model incorporates the convolution layers through upsampled filters – also known as dilated convolution. This change enlarges filter’s field of the view and allows the net to integrate larger context into the computation. We add the dilated convolution into different parts of network architecture and study the impact on the overall model performance. The best model which uses the dilated convolution in the input of the net outperforms the original architecture in nearly all used evaluation metrics. The code and trained models can be found on the GitHub website: http://github.com/tureckova/ISLES2018/.

Klasifikace

  • 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)

Návaznosti výsledku

  • Projekt

  • Návaznosti

    S - Specificky vyzkum na vysokych skolach

Ostatní

  • Rok uplatnění

    2019

  • Kód důvěrnosti údajů

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

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

    Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics)

  • ISBN

    978-3-030-11722-1

  • ISSN

    0302-9743

  • e-ISSN

  • Počet stran výsledku

    9

  • Strana od-do

    319-327

  • Název nakladatele

    Springer International Publishing AG

  • Místo vydání

    Basel

  • Místo konání akce

    Granada

  • Datum konání akce

    16. 9. 2018

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku