Fugu-MT 論文翻訳(概要): Globally Optimal Surface Segmentation using Deep Learning with Learnable Smoothness Priors

論文の概要: Globally Optimal Surface Segmentation using Deep Learning with Learnable Smoothness Priors

arxiv url: http://arxiv.org/abs/2007.01217v1
Date: Thu, 2 Jul 2020 15:56:46 GMT
ステータス: 処理完了
システム内更新日: 2022-11-14 14:47:19.270395
Title: Globally Optimal Surface Segmentation using Deep Learning with Learnable Smoothness Priors
Title（参考訳）: 学習可能な滑らかさを優先した深層学習を用いた大域的最適表面セグメンテーション
Authors: Leixin Zhou, Xiaodong Wu
Abstract要約: 本稿では,畳み込みニューラルネットワーク(CNN)に基づく新しいモデルを提案する。分光領域光コヒーレンス・トモグラフィ(SD-OCT)網膜層分画と血管内超音波(IVUS)血管壁分画は有望な結果を示した。
参考スコア（独自算出の注目度）: 0.21756081703275998
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Automated surface segmentation is important and challenging in many medical image analysis applications. Recent deep learning based methods have been developed for various object segmentation tasks. Most of them are a classification based approach, e.g. U-net, which predicts the probability of being target object or background for each voxel. One problem of those methods is lacking of topology guarantee for segmented objects, and usually post processing is needed to infer the boundary surface of the object. In this paper, a novel model based on convolutional neural network (CNN) followed by a learnable surface smoothing block is proposed to tackle the surface segmentation problem with end-to-end training. To the best of our knowledge, this is the first study to learn smoothness priors end-to-end with CNN for direct surface segmentation with global optimality. Experiments carried out on Spectral Domain Optical Coherence Tomography (SD-OCT) retinal layer segmentation and Intravascular Ultrasound (IVUS) vessel wall segmentation demonstrated very promising results.
Abstract（参考訳）: 多くの医用画像解析アプリケーションにおいて, 自動表面分割は重要かつ困難である。近年,物体分割作業のための深層学習手法が開発されている。その多くは分類に基づくアプローチであり、例えばu-netは、それぞれのvoxelのターゲットオブジェクトまたは背景となる確率を予測する。これらの方法の1つの問題は、セグメンテーションされたオブジェクトに対するトポロジー保証の欠如であり、通常、オブジェクトの境界面を推測するには、後処理が必要である。本稿では,畳み込みニューラルネットワーク(CNN)と学習可能な表面平滑化ブロックを用いた新しいモデルを提案する。我々の知る限りでは、グローバルな最適性を持つ直面分割のためのCNNとエンドツーエンドで滑らかさを学習する最初の研究である。 Spectral Domain Optical Coherence Tomography (SD-OCT)Retinal layer segmentation and intravascular Ultrasound (IVUS) vessel wall segmentation で行った実験は、非常に有望な結果を示した。

関連論文リスト

LAC-Net: Linear-Fusion Attention-Guided Convolutional Network for Accurate Robotic Grasping Under the Occlusion [79.22197702626542]
本稿では, 乱れ場面におけるロボットグルーピングのためのアモーダルセグメンテーションを探求する枠組みを提案する。線形融合注意誘導畳み込みネットワーク(LAC-Net)を提案する。その結果,本手法が最先端の性能を達成できることが示唆された。
論文参考訳（メタデータ） (2024-08-06T14:50:48Z)
NeuralGF: Unsupervised Point Normal Estimation by Learning Neural Gradient Function [55.86697795177619]
3次元点雲の正規推定は3次元幾何処理の基本的な課題である。我々は,ニューラルネットワークが入力点雲に適合することを奨励する,ニューラルグラデーション関数の学習のための新しいパラダイムを導入する。広範に使用されているベンチマークの優れた結果から,本手法は非指向性および指向性正常推定タスクにおいて,より正確な正規性を学習できることが示されている。
論文参考訳（メタデータ） (2023-11-01T09:25:29Z)
A deep learning network with differentiable dynamic programming for retina OCT surface segmentation [9.31543407418766]
本研究では,制約付き微分可能な動的プログラムモジュールで特徴学習用U-Netを統一し,網膜CT表面分割のためのエンドツーエンド学習を実現することを提案する。下流モデル最適化モジュールからのフィードバックを効果的に活用し、特徴学習をガイドし、ターゲット表面のグローバルな構造をより良くする。
論文参考訳（メタデータ） (2022-10-08T16:26:09Z)
SD-LayerNet: Semi-supervised retinal layer segmentation in OCT using disentangled representation with anatomical priors [4.2663199451998475]
網膜層セグメンテーションタスクに半教師付きパラダイムを導入する。特に、表面位置回帰をピクセル単位で構造化されたセグメンテーションに変換するために、新しい完全微分可能なアプローチが用いられる。並行して,ラベル付きデータの限られた量が利用できる場合に,ネットワークトレーニングを改善するための解剖学的事前セットを提案する。
論文参考訳（メタデータ） (2022-07-01T14:30:59Z)
End-to-end Neuron Instance Segmentation based on Weakly Supervised Efficient UNet and Morphological Post-processing [0.0]
組織像からNeuN染色神経細胞を自動的に検出し,分画するエンド・ツー・エンド・エンド・エンド型のフレームワークを提案する。私たちは最先端のネットワークであるEfficientNetをU-Netのようなアーキテクチャに統合します。
論文参考訳（メタデータ） (2022-02-17T14:35:45Z)
TSG: Target-Selective Gradient Backprop for Probing CNN Visual Saliency [72.9106103283475]
我々は、畳み込みニューラルネットワークを解釈するために視覚的サリエンシ、すなわち視覚的説明について研究する。これらの観測に触発されて、我々はTSG(Target-Selective Gradient)バックプロップと呼ばれる新しいビジュアル・サリエンシ・フレームワークを提案する。提案したTSGはTSG-ConvとTSG-FCの2つのコンポーネントから構成され、それぞれ畳み込み層と完全連結層の勾配を補正する。
論文参考訳（メタデータ） (2021-10-11T12:00:20Z)
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)
Globally Optimal Segmentation of Mutually Interacting Surfaces using Deep Learning [6.11411524694755]
ディープラーニングは、優れた特徴学習能力のおかげで、医用画像セグメンテーションの強力なツールとして出現している。本稿では,グラフモデルにおける表面コスト関数のパラメータ化と,それらのパラメータの学習にDLを活用することを提案する。次に、相互表面の相互作用制約を明示的に実施しながら、全表面コストを最小化することにより、多重最適表面を同時に検出する。
論文参考訳（メタデータ） (2020-07-02T17:13:35Z)
Boundary-aware Context Neural Network for Medical Image Segmentation [15.585851505721433]
医用画像のセグメンテーションは、さらなる臨床分析と疾患診断のための信頼性の高い基盤を提供することができる。既存のCNNベースのほとんどの手法は、正確なオブジェクト境界のない不満足なセグメンテーションマスクを生成する。本稿では,2次元医用画像分割のための境界認識コンテキストニューラルネットワーク(BA-Net)を定式化する。
論文参考訳（メタデータ） (2020-05-03T02:35:49Z)
Refined Plane Segmentation for Cuboid-Shaped Objects by Leveraging Edge Detection [63.942632088208505]
本稿では,セグメント化された平面マスクを画像に検出されたエッジと整列するための後処理アルゴリズムを提案する。これにより、立方体形状の物体に制限を加えながら、最先端のアプローチの精度を高めることができます。
論文参考訳（メタデータ） (2020-03-28T18:51:43Z)
Learning Fast and Robust Target Models for Video Object Segmentation [83.3382606349118]
ビデオオブジェクトセグメンテーション(VOS)は、ターゲットオブジェクトを定義する初期マスクがテスト時にのみ与えられるため、非常に難しい問題である。それまでのほとんどの場合、第1フレーム上のファイン・チューン・セグメンテーション・ネットワークにアプローチし、非現実的なフレームレートとオーバーフィッティングのリスクをもたらす。本稿では,2つのネットワークコンポーネントからなる新しいVOSアーキテクチャを提案する。
論文参考訳（メタデータ） (2020-02-27T21:58:06Z)

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。