Los puntos clave no están disponibles para este artículo en este momento.
En este artículo, abordamos el problema de segmentación bajo recursos limitados de computación y memoria. Dado un algoritmo de segmentación, proponemos un marco que puede reducir simultáneamente su tiempo de computación y requerimiento de memoria, mientras preserva su precisión. El marco propuesto utiliza una submuestreo estándar en el dominio de píxeles e incluye dos pasos principales. Primero se realiza una segmentación gruesa en la imagen submuestreada. Luego, se aplica un refinamiento a los resultados de la segmentación gruesa. Hacemos dos contribuciones novedosas para permitir una precisión competitiva utilizando este marco simple. Primero, examinamos rigurosamente el efecto del submuestreo en la segmentación utilizando un análisis de procesamiento de señales. El análisis ayuda a determinar las regiones inciertas, que son pequeñas regiones de imagen donde las etiquetas de píxeles son inciertas después de la segmentación gruesa. Segundo, proponemos un algoritmo basado en árboles de expansión mínima eficiente para propagar las etiquetas en las regiones inciertas. Realizamos experimentos extensivos utilizando varios conjuntos de datos estándar. Los resultados experimentales muestran que nuestra precisión de segmentación es comparable a métodos de vanguardia, mientras se requiere mucho menos tiempo de computación y memoria que esos métodos.
Zhou et al. (Mon,) estudiaron esta cuestión.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: