論文の概要: Globally Optimal Segmentation of Mutually Interacting Surfaces using
Deep Learning
- arxiv url: http://arxiv.org/abs/2007.01259v3
- Date: Tue, 21 Jul 2020 16:08:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-14 13:34:28.910996
- Title: Globally Optimal Segmentation of Mutually Interacting Surfaces using
Deep Learning
- Title（参考訳）: 深層学習を用いた相互干渉面のグローバル最適セグメンテーション
- Authors: Hui Xie, Zhe Pan, Leixin Zhou, Fahim A Zaman, Danny Chen, Jost B
Jonas, Yaxing Wang, and Xiaodong Wu
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 6.11411524694755
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Segmentation of multiple surfaces in medical images is a challenging problem,
further complicated by the frequent presence of weak boundary and mutual
influence between adjacent objects. The traditional graph-based optimal surface
segmentation method has proven its effectiveness with its ability of capturing
various surface priors in a uniform graph model. However, its efficacy heavily
relies on handcrafted features that are used to define the surface cost for the
"goodness" of a surface. Recently, deep learning (DL) is emerging as powerful
tools for medical image segmentation thanks to its superior feature learning
capability. Unfortunately, due to the scarcity of training data in medical
imaging, it is nontrivial for DL networks to implicitly learn the global
structure of the target surfaces, including surface interactions. In this work,
we propose to parameterize the surface cost functions in the graph model and
leverage DL to learn those parameters. The multiple optimal surfaces are then
simultaneously detected by minimizing the total surface cost while explicitly
enforcing the mutual surface interaction constraints. The optimization problem
is solved by the primal-dual Internal Point Method, which can be implemented by
a layer of neural networks, enabling efficient end-to-end training of the whole
network. Experiments on Spectral Domain Optical Coherence Tomography (SD-OCT)
retinal layer segmentation and Intravascular Ultrasound (IVUS) vessel wall
segmentation demonstrated very promising results. All source code is public to
facilitate further research at this direction.
- Abstract（参考訳）: 医用画像における複数の面の分割は難しい問題であり, 境界の弱さや近接物体間の相互影響によってさらに複雑になる。
従来のグラフベース最適サーフェスセグメンテーション法は、一様グラフモデルにおいて様々なサーフェス先行をキャプチャする能力でその効果が証明されている。
しかし、その効果は表面の「良さ」のための表面コストを定義するために使われる手作りの特徴に大きく依存している。
近年,その優れた特徴学習能力により,医用画像セグメンテーションの強力なツールとしてディープラーニング(DL)が登場している。
残念ながら、医療画像におけるトレーニングデータの不足のため、dlネットワークが表面相互作用を含む標的表面の全体構造を暗黙的に学習することは非自明である。
本研究では,グラフモデルにおける表面コスト関数をパラメータ化し,dlを用いてパラメータを学習する手法を提案する。
そして、相互表面相互作用制約を明示的に強制しながら、総表面コストを最小化することにより、複数の最適表面を同時に検出する。
最適化問題は、ニューラルネットワークの層によって実装できる原始二重内部点法によって解決され、ネットワーク全体の効率的なエンドツーエンドトレーニングを可能にする。
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血管壁分画の実験は有望な結果を示した。
この方向のさらなる研究を促進するために、すべてのソースコードが公開されている。
関連論文リスト
- Flatten Anything: Unsupervised Neural Surface Parameterization [76.4422287292541]
本研究では,FAM(Flatten Anything Model)を導入し,グローバルな自由境界面パラメータ化を実現する。
従来の手法と比較して,FAMは接続情報を活用することなく,個別の面上で直接動作する。
当社のFAMは前処理を必要とせずに完全に自動化されており,高度に複雑なトポロジを扱うことができる。
論文 参考訳（メタデータ） (2024-05-23T14:39:52Z) - Deep Domain Adaptation: A Sim2Real Neural Approach for Improving Eye-Tracking Systems [80.62854148838359]
眼球画像のセグメンテーションは、最終視線推定に大きな影響を及ぼす眼球追跡の重要なステップである。
対象視線画像と合成訓練データとの重なり合いを測定するために,次元還元法を用いている。
提案手法は,シミュレーションと実世界のデータサンプルの相違に対処する際の頑健で,性能が向上する。
論文 参考訳（メタデータ） (2024-03-23T22:32:06Z) - gcDLSeg: Integrating Graph-cut into Deep Learning for Binary Semantic
Segmentation [14.643505343450897]
エンドツーエンド学習のためのディープラーニングネットワークにグラフカットアプローチを統合することを提案する。
推論フェーズでは、最適化画像の特徴に基づいて定義されたグラフカットエネルギーに対して、大域的最適セグメンテーションが達成される。
論文 参考訳（メタデータ） (2023-12-07T21:43:43Z) - DEEPBEAS3D: Deep Learning and B-Spline Explicit Active Surfaces [3.560949684583438]
畳み込みニューラルネットワーク(CNN)からB-スプライン明示型アクティブサーフェス(BEAS)へのセグメンテーションを表現する対話型セグメンテーションフレームワークの新規な3次元拡張を提案する。
BEASは、セグメンテーションを3D空間で滑らかにし、解剖学的妥当性を高め、ユーザが正確に3D表面を編集できるようにする。
実験の結果,1) 提案したフレームワークは, 表面の輪郭を明示的に制御し, 2) NASA-TLX指数で計算した作業負荷をVOCALに比べて30%削減し, 3) ユーザ時間をVOCALより70%(170秒)短縮した。
論文 参考訳（メタデータ） (2023-09-05T15:54:35Z) - 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) - Minimal Neural Atlas: Parameterizing Complex Surfaces with Minimal
Charts and Distortion [71.52576837870166]
我々は、新しいアトラスに基づく明示的なニューラルサーフェス表現であるミニマルニューラルアトラスを提案する。
その中核は完全学習可能なパラメトリック領域であり、パラメトリック空間の開平方上で定義された暗黙の確率的占有場によって与えられる。
我々の再構成は、トポロジーと幾何学に関する懸念の分離のため、全体的な幾何学の観点からより正確である。
論文 参考訳（メタデータ） (2022-07-29T16:55:06Z) - Learning Topological Interactions for Multi-Class Medical Image
Segmentation [7.95994513875072]
我々は、トポロジカル相互作用をディープニューラルネットワークにエンコードする新しいトポロジカル相互作用モジュールを導入する。
実装は完全に畳み込みベースなので、非常に効率的です。
本手法は,プロプライエタリデータセットとパブリックデータセットの両方において一般化可能であることを示す。
論文 参考訳（メタデータ） (2022-07-20T05:09:43Z) - Superficial White Matter Analysis: An Efficient Point-cloud-based Deep
Learning Framework with Supervised Contrastive Learning for Consistent
Tractography Parcellation across Populations and dMRI Acquisitions [68.41088365582831]
ホワイトマターパーセレーション(White matter parcellation)は、トラクトグラフィーをクラスタまたは解剖学的に意味のあるトラクトに分類する。
ほとんどのパーセレーション法はディープホワイトマター(DWM)にフォーカスするが、その複雑さのため表面ホワイトマター(SWM)に対処する手法は少ない。
本稿では,2段階の深層学習に基づく新しいフレームワークであるSuperficial White Matter Analysis (SupWMA)を提案する。
論文 参考訳（メタデータ） (2022-07-18T23:07:53Z) - Accurate RGB-D Salient Object Detection via Collaborative Learning [101.82654054191443]
RGB-Dサリエンシ検出は、いくつかの課題シナリオにおいて素晴らしい能力を示している。
本稿では,エッジ,深度,塩分濃度をより効率的に活用する新しい協調学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-23T04:33:36Z) - Globally Optimal Surface Segmentation using Deep Learning with Learnable
Smoothness Priors [0.21756081703275998]
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。
論文 参考訳（メタデータ） (2020-07-02T15:56:46Z) - Pathological Retinal Region Segmentation From OCT Images Using Geometric
Relation Based Augmentation [84.7571086566595]
本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。
提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
論文 参考訳（メタデータ） (2020-03-31T11:50:43Z)
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。