論文の概要: Enhancing Foreground Boundaries for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2005.14355v1
• Date: Fri, 29 May 2020 00:50:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-26 23:49:11.517994
• Title: Enhancing Foreground Boundaries for Medical Image Segmentation
• Title（参考訳）: 医用画像分割のための前景境界の強化
• Authors: Dong Yang, Holger Roth, Xiaosong Wang, Ziyue Xu, Andriy Myronenko, Daguang Xu
• Abstract要約: 本稿では,機械学習モデルの最適化に制約を加える境界拡張損失を提案する。 実験により,我々の損失関数はセグメント化精度の点で,他の最先端の損失関数よりも優れているか,少なくとも同等であることを確認した。
• 参考スコア（独自算出の注目度）: 13.954358685870886
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Object segmentation plays an important role in the modern medical image analysis, which benefits clinical study, disease diagnosis, and surgery planning. Given the various modalities of medical images, the automated or semi-automated segmentation approaches have been used to identify and parse organs, bones, tumors, and other regions-of-interest (ROI). However, these contemporary segmentation approaches tend to fail to predict the boundary areas of ROI, because of the fuzzy appearance contrast caused during the imaging procedure. To further improve the segmentation quality of boundary areas, we propose a boundary enhancement loss to enforce additional constraints on optimizing machine learning models. The proposed loss function is light-weighted and easy to implement without any pre- or post-processing. Our experimental results validate that our loss function are better than, or at least comparable to, other state-of-the-art loss functions in terms of segmentation accuracy.
• Abstract（参考訳）: オブジェクトセグメンテーションは、臨床研究、疾患診断、手術計画に有用な現代医療画像解析において重要な役割を担っている。 医療画像の様々なモダリティを考慮すると、臓器、骨、腫瘍、その他の関心領域(ROI)を識別・解析するために、自動または半自動のセグメンテーションアプローチが用いられている。 しかしながら、これらの現代のセグメンテーションアプローチは、画像処理中に生じるファジィな外観のコントラストのため、ROIの境界領域を予測できない傾向にある。 境界領域のセグメンテーション品質をさらに向上させるために,機械学習モデルの最適化に付加的な制約を課す境界拡張損失を提案する。 提案する損失関数は軽量であり、前処理や後処理なしで容易に実装できる。 実験の結果,我々の損失関数はセグメント化精度で他の最先端の損失関数よりも優れているか,少なくとも同等であることがわかった。

関連論文リスト

• Enhancing Medical Image Segmentation with Deep Learning and Diffusion Models [7.53596352508181]
  正確な臨床診断には医用画像分割が不可欠である。 病変と正常な組織とのコントラストの低さ、境界の曖昧さ、患者間の高いばらつきといった課題に直面している。 ディープラーニングはセグメンテーションの精度と効率を改善したが、それでも専門家のアノテーションに大きく依存している。 本稿では,医療画像のセグメンテーションの重要性,現在のディープラーニングアプローチの限界,これらの課題に対処するための拡散モデルの可能性について論じる。
  論文  参考訳（メタデータ） (2024-11-21T17:49:15Z)
• MedUHIP: Towards Human-In-the-Loop Medical Segmentation [5.520419627866446]
  医用画像のセグメンテーションは、固有の不確実性によって特に複雑である。 我々はtextbfuncertainty-aware モデルと textbf Human-in-the-loop 相互作用を統合する新しいアプローチを提案する。 提案手法は,決定論的および不確実性を考慮したモデルよりも優れたセグメンテーション能力を示す。
  論文  参考訳（メタデータ） (2024-08-03T01:06:02Z)
• FESS Loss: Feature-Enhanced Spatial Segmentation Loss for Optimizing Medical Image Analysis [0.0]
  本研究では,空間的精度と包括的特徴表現のバランスをとる上での課題を克服するために,特徴強化空間損失(FESS損失)を提案する。 FESS損失は、対照的な学習の利点と、Dice損失に固有の空間的精度を統合する。 医用画像のセグメント化において,空間的精度と特徴に基づく表現を両立させることが目的である。
  論文  参考訳（メタデータ） (2024-02-13T16:36:21Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• CGAM: Click-Guided Attention Module for Interactive Pathology Image Segmentation via Backpropagating Refinement [8.590026259176806]
  腫瘍領域のセグメンテーションは、デジタル病理の定量的解析に欠かせない課題である。 最近のディープニューラルネットワークは、様々な画像分割タスクで最先端のパフォーマンスを示している。 本稿では,クリック型ユーザインタラクションによるディープニューラルネットワークの出力を改良する対話的セグメンテーション手法を提案する。
  論文  参考訳（メタデータ） (2023-07-03T13:45:24Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• RCA-IUnet: A residual cross-spatial attention guided inception U-Net model for tumor segmentation in breast ultrasound imaging [0.6091702876917281]
  本稿では,腫瘍セグメンテーションのトレーニングパラメータが最小限に抑えられたRCA-IUnetモデルについて紹介する。 RCA-IUnetモデルは、U-Netトポロジに従い、奥行きの深い分離可能な畳み込みとハイブリッドプール層を持つ。 無関係な特徴を抑え、対象構造に焦点を合わせるために、空間横断型アテンションフィルタが加えられる。
  論文  参考訳（メタデータ） (2021-08-05T10:35:06Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)
• Robust Medical Instrument Segmentation Challenge 2019 [56.148440125599905]
  腹腔鏡装置の術中追跡は、しばしばコンピュータとロボットによる介入の必要条件である。 本研究の課題は,30の手術症例から取得した10,040枚の注釈画像からなる外科的データセットに基づいていた。 結果は、初期仮説、すなわち、アルゴリズムの性能がドメインギャップの増大とともに低下することを確認する。
  論文  参考訳（メタデータ） (2020-03-23T14:35:08Z)
• Unsupervised Bidirectional Cross-Modality Adaptation via Deeply Synergistic Image and Feature Alignment for Medical Image Segmentation [73.84166499988443]
  我々は、Synergistic Image and Feature Alignment (SIFA)と名付けられた新しい教師なしドメイン適応フレームワークを提案する。 提案するSIFAは、画像と特徴の両方の観点から、ドメインの相乗的アライメントを行う。 2つの異なるタスクに対する実験結果から,SIFA法は未ラベル対象画像のセグメンテーション性能を向上させるのに有効であることが示された。
  論文  参考訳（メタデータ） (2020-02-06T13:49:47Z)

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。