論文の概要: Liver Segmentation in Abdominal CT Images via Auto-Context Neural
Network and Self-Supervised Contour Attention
- arxiv url: http://arxiv.org/abs/2002.05895v1
- Date: Fri, 14 Feb 2020 07:32:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-01 04:48:12.053575
- Title: Liver Segmentation in Abdominal CT Images via Auto-Context Neural
Network and Self-Supervised Contour Attention
- Title（参考訳）: 自己文脈ニューラルネットワークによる腹部CT像の肝分画と自己監督輪郭留置
- Authors: Minyoung Chung, Jingyu Lee, Jeongjin Lee, and Yeong-Gil Shin
- Abstract要約: 腹部CT画像に肝セグメンテーションのためのCNNを導入する。
一般化性能を改善するために,まず1つのCNNにおける自動文脈アルゴリズムを提案する。
提案したネットワークは,ネットワーク間で最高の一般化性能を示した。
- 参考スコア（独自算出の注目度）: 6.268517865399281
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Accurate image segmentation of the liver is a challenging problem owing to
its large shape variability and unclear boundaries. Although the applications
of fully convolutional neural networks (CNNs) have shown groundbreaking
results, limited studies have focused on the performance of generalization. In
this study, we introduce a CNN for liver segmentation on abdominal computed
tomography (CT) images that shows high generalization performance and accuracy.
To improve the generalization performance, we initially propose an auto-context
algorithm in a single CNN. The proposed auto-context neural network exploits an
effective high-level residual estimation to obtain the shape prior. Identical
dual paths are effectively trained to represent mutual complementary features
for an accurate posterior analysis of a liver. Further, we extend our network
by employing a self-supervised contour scheme. We trained sparse contour
features by penalizing the ground-truth contour to focus more contour
attentions on the failures. The experimental results show that the proposed
network results in better accuracy when compared to the state-of-the-art
networks by reducing 10.31% of the Hausdorff distance. We used 180 abdominal CT
images for training and validation. Two-fold cross-validation is presented for
a comparison with the state-of-the-art neural networks. Novel multiple N-fold
cross-validations are conducted to verify the performance of generalization.
The proposed network showed the best generalization performance among the
networks. Additionally, we present a series of ablation experiments that
comprehensively support the importance of the underlying concepts.
- Abstract（参考訳）: 肝の正確な画像分割は、その大きな形状のばらつきと不明瞭な境界のために難しい問題である。
完全畳み込みニューラルネットワーク(cnns)の応用は画期的な結果を示しているが、限定的な研究は一般化のパフォーマンスに焦点を当てている。
本研究では,腹部CT画像に肝セグメンテーションのためのCNNを導入し,高い一般化性能と精度を示した。
一般化性能を向上させるため,まず1つのcnnでauto-contextアルゴリズムを提案する。
提案するauto-contextニューラルネットワークは,事前形状を求めるために有効な高レベル残差推定を行う。
同一の双対経路は、肝臓の正確な後方分析のための相互補完的特徴を表現するために効果的に訓練される。
さらに,自己教師付き輪郭スキームを用いてネットワークを拡張する。
地中輪郭をペナルティ化し,失敗により多くの輪郭注意を集中させることにより,スパース輪郭の特徴を訓練した。
実験の結果,提案したネットワークはハウスドルフ距離の10.31%を削減することにより,最先端ネットワークと比較して精度が向上した。
訓練と検査には180個の腹部CT画像を用いた。
最先端のニューラルネットワークと比較するために、2倍のクロスバリデーションを示す。
一般化の性能を検証するために, 新規なN-フォルダクロスバリデーションを行う。
提案するネットワークは,ネットワーク間で最適な一般化性能を示した。
さらに,基礎となる概念の重要性を包括的に支持する一連のアブレーション実験を行う。
関連論文リスト
- MDFI-Net: Multiscale Differential Feature Interaction Network for Accurate Retinal Vessel Segmentation [3.152646316470194]
本稿では,MDFI-Net という DPCN に基づく機能拡張型インタラクションネットワークを提案する。
提案したMDFI-Netは,公開データセットの最先端手法よりもセグメンテーション性能が優れている。
論文 参考訳（メタデータ） (2024-10-20T16:42:22Z) - Slicer Networks [8.43960865813102]
医用画像解析のための新しいアーキテクチャであるスライダネットワークを提案する。
スライダ・ネットワークは、スプレイティング・ブルーリング・スライシング・プロセスを通じて、機能マップを戦略的に洗練し、アップサンプルする。
異なる医療画像アプリケーションにわたる実験により、スライカーネットワークの精度と効率が向上したことが確認された。
論文 参考訳（メタデータ） (2024-01-18T09:50:26Z) - Increasing the Accuracy of a Neural Network Using Frequency Selective
Mesh-to-Grid Resampling [4.211128681972148]
ニューラルネットワークの入力データの処理にFSMR(Keypoint frequency selective mesh-to-grid resampling)を提案する。
ネットワークアーキテクチャや分類タスクによって、トレーニング中のFSMRの適用は学習プロセスに役立ちます。
ResNet50とOxflower17データセットの分類精度は最大4.31ポイント向上できる。
論文 参考訳（メタデータ） (2022-09-28T21:34:47Z) - Interpolation-based Correlation Reduction Network for Semi-Supervised
Graph Learning [49.94816548023729]
補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。
提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。
この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
論文 参考訳（メタデータ） (2022-06-06T14:26:34Z) - SAR Despeckling Using Overcomplete Convolutional Networks [53.99620005035804]
スペックルはSAR画像を劣化させるため、リモートセンシングにおいて重要な問題である。
近年の研究では、畳み込みニューラルネットワーク(CNN)が古典的解法よりも優れていることが示されている。
本研究は、受容場を制限することで低レベルの特徴を学習することに集中するために、過剰なCNNアーキテクチャを用いる。
本稿では,合成および実SAR画像の非特定化手法と比較して,提案手法により非特定化性能が向上することを示す。
論文 参考訳（メタデータ） (2022-05-31T15:55:37Z) - Stain Normalized Breast Histopathology Image Recognition using
Convolutional Neural Networks for Cancer Detection [9.826027427965354]
近年の進歩により、畳み込みニューラルネットワーク(CNN)アーキテクチャは乳がん検出のためのコンピュータ支援診断(CAD)システムの設計に利用できることが示されている。
乳腺病理像の2値分類のためのCNNモデルについて検討した。
我々は,200倍,400倍に拡大した病理像に対して,トレーニング済みのCNNネットワークを利用可能なBreaKHisデータセットで検証した。
論文 参考訳（メタデータ） (2022-01-04T03:09:40Z) - InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal
Artifact Reduction in CT Images [53.4351366246531]
InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。
異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
論文 参考訳（メタデータ） (2021-12-23T15:52:37Z) - Sharp-GAN: Sharpness Loss Regularized GAN for Histopathology Image
Synthesis [65.47507533905188]
コンディショナル・ジェネレーショナル・ジェネレーティブ・逆境ネットワークは、合成病理像を生成するために応用されている。
そこで我々は,現実的な病理像を合成するために,シャープネスロス正則化生成対向ネットワークを提案する。
論文 参考訳（メタデータ） (2021-10-27T18:54:25Z) - Why Lottery Ticket Wins? A Theoretical Perspective of Sample Complexity
on Pruned Neural Networks [79.74580058178594]
目的関数の幾何学的構造を解析することにより、刈り取られたニューラルネットワークを訓練する性能を解析する。
本稿では,ニューラルネットワークモデルがプルーニングされるにつれて,一般化が保証された望ましいモデル近傍の凸領域が大きくなることを示す。
論文 参考訳（メタデータ） (2021-10-12T01:11:07Z) - Implementing a foveal-pit inspired filter in a Spiking Convolutional
Neural Network: a preliminary study [0.0]
我々は,網膜卵管刺激によるガウスフィルタとランク順符号化の差異を取り入れたスポーキング畳み込みニューラルネットワーク(SCNN)を提示した。
このモデルは、Nengoライブラリーで実装されているように、スパイキングニューロンで動作するように適応されたバックプロパゲーションアルゴリズムの変種を用いて訓練される。
ネットワークは最大90%の精度で達成され、損失はクロスエントロピー関数を用いて計算される。
論文 参考訳（メタデータ） (2021-05-29T15:28:30Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。