論文の概要: Collaborative Boundary-aware Context Encoding Networks for Error Map Prediction

• arxiv url: http://arxiv.org/abs/2006.14345v1
• Date: Thu, 25 Jun 2020 12:42:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-17 04:24:02.518469
• Title: Collaborative Boundary-aware Context Encoding Networks for Error Map Prediction
• Title（参考訳）: 誤りマップ予測のための協調境界対応コンテキスト符号化ネットワーク
• Authors: Zhenxi Zhang, Chunna Tian, Jie Li, Zhusi Zhong, Zhicheng Jiao, and Xinbo Gao
• Abstract要約: 本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。 具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。 AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
• 参考スコア（独自算出の注目度）: 65.44752447868626
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical image segmentation is usually regarded as one of the most important intermediate steps in clinical situations and medical imaging research. Thus, accurately assessing the segmentation quality of the automatically generated predictions is essential for guaranteeing the reliability of the results of the computer-assisted diagnosis (CAD). Many researchers apply neural networks to train segmentation quality regression models to estimate the segmentation quality of a new data cohort without labeled ground truth. Recently, a novel idea is proposed that transforming the segmentation quality assessment (SQA) problem intothe pixel-wise error map prediction task in the form of segmentation. However, the simple application of vanilla segmentation structures in medical image fails to detect some small and thin error regions of the auto-generated masks with complex anatomical structures. In this paper, we propose collaborative boundaryaware context encoding networks called AEP-Net for error prediction task. Specifically, we propose a collaborative feature transformation branch for better feature fusion between images and masks, and precise localization of error regions. Further, we propose a context encoding module to utilize the global predictor from the error map to enhance the feature representation and regularize the networks. We perform experiments on IBSR v2.0 dataset and ACDC dataset. The AEP-Net achieves an average DSC of 0.8358, 0.8164 for error prediction task,and shows a high Pearson correlation coefficient of 0.9873 between the actual segmentation accuracy and the predicted accuracy inferred from the predicted error map on IBSR v2.0 dataset, which verifies the efficacy of our AEP-Net.
• Abstract（参考訳）: 医療画像のセグメンテーションは通常、臨床状況と医療画像研究において最も重要な中間段階の1つとみなされる。 したがって、コンピュータ支援診断(CAD)の結果の信頼性を保証するためには、自動生成された予測のセグメンテーション品質を正確に評価することが不可欠である。 多くの研究者は、新しいデータコホートのセグメンテーション品質をラベル付き基底真理なしで推定するために、セグメンテーション品質回帰モデルをトレーニングするためにニューラルネットワークを適用する。 近年,セグメンテーション品質評価(SQA)問題をピクセル単位の誤差マップ予測タスクに分割形式で変換するという新たな考え方が提案されている。 しかし、医療画像におけるバニラセグメンテーション構造の単純な応用は、複雑な解剖学的構造を持つ自動生成マスクの小さなエラー領域を検出できない。 本稿では,AEP-Netと呼ばれる協調的コンテキスト符号化ネットワークを提案する。 具体的には,画像とマスク間の機能融合と誤差領域の正確な位置決めを改善するための協調的特徴変換ブランチを提案する。 さらに,エラーマップからグローバル予測子を活用し,特徴表現の強化とネットワークの正規化を行うコンテキストエンコーディングモジュールを提案する。 IBSR v2.0データセットとACDCデータセットの実験を行った。 AEP-Netは、エラー予測タスクに対する平均DSC 0.8358, 0.8164 を達成し、実際のセグメント化精度と予測誤差マップから推定される予測精度との間に高いピアソン相関係数 0.9873 を示し、AEP-Netの有効性を検証する。

関連論文リスト

• Regularized Multi-Decoder Ensemble for an Error-Aware Scene Representation Network [17.610886621282624]
  SRN(Feature Grid Scene Representation Networks)は、分析と可視化のためのコンパクトな機能的サロゲートとして科学データに適用されている。 複数の軽量パーセプトロンデコーダを持つ共有特徴格子からなるパラメータ効率のよいマルチデコーダSRNアンサンブルアーキテクチャを提案する。 本研究では,モンテカルロの降雨量,平均場変動推定,深部アンサンブル,予測変数の分散とデータ再構成の質を評価する。
  論文  参考訳（メタデータ） (2024-07-26T21:02:11Z)
• Geometric Learning-Based Transformer Network for Estimation of Segmentation Errors [1.376408511310322]
  そこで本研究では,セグメントマップ内の誤り領域を同定し,測定する手法を提案する。 提案手法は, 疑似ボリューム分割マップから生成された3次元メッシュの任意の点やノードにおける誤差を推定できる。 我々は,ヒト内耳骨迷路構造の高分解能マイクロCTデータセットを用いてネットワークの評価を行った。
  論文  参考訳（メタデータ） (2023-08-09T16:58:03Z)
• Adaptive Face Recognition Using Adversarial Information Network [57.29464116557734]
  顔認識モデルは、トレーニングデータがテストデータと異なる場合、しばしば退化する。 本稿では,新たな敵情報ネットワーク(AIN)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T02:14:11Z)
• 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)
• Trustworthy Medical Segmentation with Uncertainty Estimation [0.7829352305480285]
  本稿では,セグメンテーションニューラルネットワークにおける不確実性定量化のための新しいベイズディープラーニングフレームワークを提案する。 我々は磁気共鳴イメージングとCTによる医用画像分割データについて検討した。 複数のベンチマークデータセットに対する実験により,提案するフレームワークは,最先端セグメンテーションモデルと比較して,ノイズや敵攻撃に対してより堅牢であることが示された。
  論文  参考訳（メタデータ） (2021-11-10T22:46:05Z)
• Uncertainty Quantification in Medical Image Segmentation with Multi-decoder U-Net [3.961279440272763]
  医用画像のセグメンテーションの不確かさを,教師付き学習方式で複数のアノテーションを用いたセグメンテーション性能の測定により評価する。 複数のデコーダを持つU-Netアーキテクチャを提案し、画像表現を同じエンコーダで符号化し、各アノテーションを参照するセグメンテーションを複数のデコーダで推定する。 提案アーキテクチャはエンドツーエンドでトレーニングされ、予測の不確実性推定を改善することができる。
  論文  参考訳（メタデータ） (2021-09-15T01:46:29Z)
• 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)
• DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
  本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。 我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。 皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
  論文  参考訳（メタデータ） (2020-08-19T06:02:46Z)
• Context-Aware Refinement Network Incorporating Structural Connectivity Prior for Brain Midline Delineation [50.868845400939314]
  UNetによって生成された特徴ピラミッド表現を洗練・統合するための文脈対応改良ネットワーク(CAR-Net)を提案する。 正中線における脳の構造的接続性を維持するため、我々は新しい接続性レギュラーロスを導入する。 提案手法は, パラメータを少なくし, 4つの評価指標で3つの最先端手法より優れる。
  論文  参考訳（メタデータ） (2020-07-10T14:01:20Z)

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。