論文の概要: clDice -- A Novel Topology-Preserving Loss Function for Tubular Structure Segmentation

• arxiv url: http://arxiv.org/abs/2003.07311v7
• Date: Fri, 15 Jul 2022 10:39:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-23 03:15:48.112031
• Title: clDice -- A Novel Topology-Preserving Loss Function for Tubular Structure Segmentation
• Title（参考訳）: cldice --管状構造分割のための新しいトポロジー保存損失関数
• Authors: Suprosanna Shit, Johannes C. Paetzold, Anjany Sekuboyina, Ivan Ezhov, Alexander Unger, Andrey Zhylka, Josien P. W. Pluim, Ulrich Bauer, Bjoern H. Menze
• Abstract要約: 中心線Dice (short clDice) と呼ばれる新しい類似度尺度を導入する。 理論的には、clDiceは2次元および3次元のセグメンテーションにおけるホモトピー同値までのトポロジー保存を保証する。 我々は、船舶、道路、ニューロン(2Dと3D)を含む5つの公開データセットでソフトクライス損失をベンチマークした。
• 参考スコア（独自算出の注目度）: 57.20783326661043
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate segmentation of tubular, network-like structures, such as vessels, neurons, or roads, is relevant to many fields of research. For such structures, the topology is their most important characteristic; particularly preserving connectedness: in the case of vascular networks, missing a connected vessel entirely alters the blood-flow dynamics. We introduce a novel similarity measure termed centerlineDice (short clDice), which is calculated on the intersection of the segmentation masks and their (morphological) skeleta. We theoretically prove that clDice guarantees topology preservation up to homotopy equivalence for binary 2D and 3D segmentation. Extending this, we propose a computationally efficient, differentiable loss function (soft-clDice) for training arbitrary neural segmentation networks. We benchmark the soft-clDice loss on five public datasets, including vessels, roads and neurons (2D and 3D). Training on soft-clDice leads to segmentation with more accurate connectivity information, higher graph similarity, and better volumetric scores.
• Abstract（参考訳）: 管状、ネットワーク状の構造(血管、ニューロン、道路など)の正確なセグメンテーションは、多くの研究分野に関係している。 このような構造において、トポロジーは最も重要な特徴であり、特に連結性を保つ: 血管ネットワークの場合、接続された血管の欠如は、血流のダイナミクスを完全に変える。 セグメンテーションマスクとそれらの(形態学的)スケレタの交叉上で計算される、CentrallineDice (short clDice)と呼ばれる新しい類似度尺度を導入する。 理論的には、cldiceは2次元および3次元セグメンテーションのホモトピー同値までトポロジーの保存を保証する。 そこで本研究では,任意のニューラルネットワークセグメンテーションネットワークを学習するための計算効率の高い可微分損失関数(soft-cldice)を提案する。 われわれは、船舶、道路、ニューロン(2Dと3D)を含む5つの公開データセットで、ソフトクライス損失をベンチマークした。 ソフトクライスでのトレーニングは、より正確な接続情報、高いグラフの類似性、より良いボリュームスコアを持つセグメンテーションに繋がる。

関連論文リスト

• Skeleton Recall Loss for Connectivity Conserving and Resource Efficient Segmentation of Thin Tubular Structures [2.0710692923459804]
  容器、神経、道路、コンクリートクラックなどの細い管状構造を正確に分断することは、コンピュータビジョンにおいて重要な課題である。 DiceやCross-Entropyのような標準的なディープラーニングベースのセグメンテーション損失関数は、しばしば構造的な接続性やトポロジーを犠牲にしてオーバーラップに焦点を当てる。 我々は,GPUベースの計算を低コストなCPU操作で回避し,これらの課題を効果的に解決する新しいSkeleton Recall Lossを提案する。
  論文  参考訳（メタデータ） (2024-04-03T18:42:19Z)
• Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
  本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。 管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
  論文  参考訳（メタデータ） (2024-01-11T19:07:58Z)
• Cascaded multitask U-Net using topological loss for vessel segmentation and centerline extraction [2.264332709661011]
  本稿では,血管骨格をセグメント化から直接計算するU-Netによるソフトスケルトンアルゴリズムの置き換えを提案する。 セグメンテーション中にトポロジ的制約を埋め込むために、clDice損失をトレーニングしたカスケードU-Netをこのネットワーク上に構築する。
  論文  参考訳（メタデータ） (2023-07-21T14:12:28Z)
• Dynamic Snake Convolution based on Topological Geometric Constraints for Tubular Structure Segmentation [12.081234339680456]
  我々はこの知識を用いてDSCNetを誘導し、特徴抽出、特徴融合、損失制約という3つの段階の認識を同時に強化する。 2Dおよび3Dデータセットの実験により、DSCNetは管状構造セグメンテーションタスクにおいて、いくつかの手法と比較して精度と連続性が高いことを示した。
  論文  参考訳（メタデータ） (2023-07-17T10:55:58Z)
• Graph Convolution Based Cross-Network Multi-Scale Feature Fusion for Deep Vessel Segmentation [36.12106059822428]
  既存の方法で再建された容器は、しばしば臨床使用基準を満たすほど正確ではない。 ネットワークは,それぞれ初期セグメンテーションと精巧なセグメンテーションを行う2つのカスケードワークで構成されている。 これら2つのU字型ネットワーク間でクロスネットワークマルチスケール機能融合を行い、高品質な船体セグメンテーションを効果的に支援する。
  論文  参考訳（メタデータ） (2023-01-06T05:56:50Z)
• Understanding Imbalanced Semantic Segmentation Through Neural Collapse [81.89121711426951]
  セマンティックセグメンテーションは自然に文脈的相関とクラス間の不均衡分布をもたらすことを示す。 機能中心にレギュレータを導入し、ネットワークが魅力ある構造に近い機能を学ぶことを奨励する。 我々の手法は、ScanNet200テストリーダーボードで1位にランクインし、新しい記録を樹立する。
  論文  参考訳（メタデータ） (2023-01-03T13:51:51Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• A persistent homology-based topological loss for CNN-based multi-class segmentation of CMR [5.898114915426535]
  心臓磁気共鳴(CMR)画像のマルチクラスセグメンテーションは、既知の構造と構成を持つ解剖学的構成要素にデータの分離を求める。 最も一般的なCNNベースの手法は、解剖を特徴付ける空間的に拡張された特徴を無視した画素ワイズ損失関数を用いて最適化されている。 これらのアプローチは、全てのクラスラベルとクラスラベルペアのリッチなトポロジカル記述を構築することで、マルチクラスセグメンテーションのタスクに拡張する。
  論文  参考訳（メタデータ） (2021-07-27T09:21:38Z)
• TSGCNet: Discriminative Geometric Feature Learning with Two-Stream GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
  2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。 3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
  論文  参考訳（メタデータ） (2020-12-26T08:02:56Z)
• Adaptive feature recombination and recalibration for semantic segmentation with Fully Convolutional Networks [57.64866581615309]
  完全畳み込みネットワークを用いたセマンティックセグメンテーションに適応した特徴の組換えと空間適応型再分類ブロックを提案する。 その結果、再結合と再校正は競争ベースラインの結果を改善し、3つの異なる問題にまたがって一般化することを示した。
  論文  参考訳（メタデータ） (2020-06-19T15:45:03Z)

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。