論文の概要: LORCK: Learnable Object-Resembling Convolution Kernels
- arxiv url: http://arxiv.org/abs/2007.05103v2
- Date: Mon, 7 Dec 2020 12:51:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-12 04:17:51.191471
- Title: LORCK: Learnable Object-Resembling Convolution Kernels
- Title(参考訳): LORCK: 学習可能なオブジェクトアセンブリ・コンボリューションカーネル
- Authors: Elizaveta Lazareva, Oleg Rogov, Olga Shegai, Denis Larionov, Dmitry V.
Dylov
- Abstract要約: セグメント化された器官の輪郭をミリ波で学習する,新しい中空核のクラスを提案する。
提案したカーネルを用いて一連のU-Netライクなニューラルネットワークをトレーニングし、様々な時間的畳み込みシナリオにおけるアイデアの優位性を実証する。
我々の結果は、他のドメイン固有のディープラーニングアプリケーションへの道を開いた。
- 参考スコア(独自算出の注目度): 1.853658628381862
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Segmentation of certain hollow organs, such as the bladder, is especially
hard to automate due to their complex geometry, vague intensity gradients in
the soft tissues, and a tedious manual process of the data annotation routine.
Yet, accurate localization of the walls and the cancer regions in the
radiologic images of such organs is an essential step in oncology. To address
this issue, we propose a new class of hollow kernels that learn to 'mimic' the
contours of the segmented organ, effectively replicating its shape and
structural complexity. We train a series of the U-Net-like neural networks
using the proposed kernels and demonstrate the superiority of the idea in
various spatio-temporal convolution scenarios. Specifically, the dilated
hollow-kernel architecture outperforms state-of-the-art spatial segmentation
models, whereas the addition of temporal blocks with, e.g., Bi-LSTM,
establishes a new multi-class baseline for the bladder segmentation challenge.
Our spatio-temporal model based on the hollow kernels reaches the mean dice
scores of 0.936, 0.736, and 0.712 for the bladder's inner wall, the outer wall,
and the tumor regions, respectively. The results pave the way towards other
domain-specific deep learning applications where the shape of the segmented
object could be used to form a proper convolution kernel for boosting the
segmentation outcome.
- Abstract(参考訳): 膀胱のような特定の中空器官の分節化は、その複雑な形状、軟組織におけるあいまいな強度勾配、およびデータアノテーションルーチンの面倒な手作業によって、特に自動化が困難である。
しかし, これらの臓器のX線画像における壁および癌領域の正確な局在化は, 腫瘍学における重要なステップである。
この問題に対処するために,セグメンテッドオルガンの輪郭を「模倣」し,その形状と構造的複雑さを効果的に再現する新しい中空カーネルを提案する。
提案したカーネルを用いて一連のU-Net型ニューラルネットワークをトレーニングし、様々な時空間畳み込みシナリオにおいてそのアイデアの優位性を示す。
具体的には、拡張された中空カーネルアーキテクチャは最先端の空間セグメンテーションモデルを上回るが、bi-lstmのような時間ブロックの追加は、膀胱セグメンテーションチャレンジのための新しいマルチクラスベースラインを確立する。
中空核に基づく時空間モデルでは,膀胱内壁,外壁,腫瘍領域の平均diceスコアは0.936,0.736,0.712であった。
この結果は、セグメンテーション結果を促進する適切な畳み込みカーネルを形成するために、セグメンテーションオブジェクトの形を使用できる他のドメイン固有のディープラーニングアプリケーションへの道を開くものだ。
関連論文リスト
- KLDD: Kalman Filter based Linear Deformable Diffusion Model in Retinal Image Segmentation [51.03868117057726]
本稿では,網膜血管分割のためのKLDDモデルを提案する。
我々のモデルは、変形可能な畳み込みの柔軟な受容場を利用して、分割を反復的に洗練する拡散過程を用いる。
実験は網膜基底画像データセット(DRIVE,CHASE_DB1)とOCTA-500データセットの3mm,6mmで評価された。
論文 参考訳(メタデータ) (2024-09-19T14:21:38Z) - HATs: Hierarchical Adaptive Taxonomy Segmentation for Panoramic Pathology Image Analysis [19.04633470168871]
パノラマ画像分割は、形態学的に複雑で可変スケールの解剖学のため、顕著な課題である。
本稿では, 腎臓構造のパノラマ像を, 詳細な解剖学的知見を生かして網羅的に把握することを目的とした, 階層型適応分類法を提案する。
提案手法では,各領域,機能単位,細胞にまたがる空間的関係を多機能な「プラグ・アンド・プレイ」損失関数に変換する革新的HATs手法と,解剖学的階層化と大規模考察を,全パノラマ要素に統一された単純な行列表現に変換すること,そして,(3)。
論文 参考訳(メタデータ) (2024-06-30T05:35:26Z) - Optimizing contrastive learning for cortical folding pattern detection [0.0]
我々は,囲い領域の折りたたみパターンを検出するための自己教師型ディープラーニングモデルを構築した。
このような大規模なデータセット上の皮質骨格に対して、自己教師付きディープラーニングモデルが適用されたのは、これが初めてである。
論文 参考訳(メタデータ) (2024-01-31T17:59:57Z) - Improved Segmentation of Deep Sulci in Cortical Gray Matter Using a Deep
Learning Framework Incorporating Laplace's Equation [10.416464319867881]
本研究では, 学習過程において, 大脳皮質の形状に関する事前知識をネットワークに組み込む, 深層学習に基づく新しい皮質分割法を提案する。
提案手法は,定量的かつ定性的に,ベースラインセグメンテーションネットワークよりも優れていることを示す。
論文 参考訳(メタデータ) (2023-03-01T19:48:45Z) - Structure Embedded Nucleus Classification for Histopathology Images [51.02953253067348]
ほとんどのニューラルネットワークに基づく手法は、局所的な畳み込みの受容領域に影響を受けている。
本稿では,核輪郭を順にサンプリングした点列に変換する新しい多角構造特徴学習機構を提案する。
次に、核をノードとするグラフ構造に組織像を変換し、その表現に核の空間分布を埋め込むグラフニューラルネットワークを構築する。
論文 参考訳(メタデータ) (2023-02-22T14:52:06Z) - WSC-Trans: A 3D network model for automatic multi-structural
segmentation of temporal bone CT [5.821303529939008]
側頭骨CTにおける多構造目標の自動セグメンテーションのための3次元ネットワークモデルを提案する。
このアルゴリズムは特徴抽出のためにCNNとTransformerを組み合わせて,空間的注意とチャネル注意機構を活用し,セグメンテーション効果をさらに改善する。
論文 参考訳(メタデータ) (2022-11-14T06:44:37Z) - Automatic size and pose homogenization with spatial transformer network
to improve and accelerate pediatric segmentation [51.916106055115755]
空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。
私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。
腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
論文 参考訳(メタデータ) (2021-07-06T14:50:03Z) - Generalized Organ Segmentation by Imitating One-shot Reasoning using
Anatomical Correlation [55.1248480381153]
そこで我々は,アノテーション付きオルガンクラスから一般化されたオルガン概念を学習し,その概念を未知のクラスに転送するOrganNetを提案する。
そこで,OrganNetは臓器形態の幅広い変化に効果的に抵抗でき,一発分節タスクで最先端の結果が得られることを示す。
論文 参考訳(メタデータ) (2021-03-30T13:41:12Z) - Spatially Dependent U-Nets: Highly Accurate Architectures for Medical
Imaging Segmentation [10.77039660100327]
解剖学的構造に固有の空間的コヒーレンスを利用する新しいディープニューラルネットワークアーキテクチャを紹介します。
提案手法は,分割画素/ボクセル空間における長距離空間依存性を捉えるのに有効である。
本手法は一般的に使用されるU-NetおよびU-Net++アーキテクチャに好適に作用する。
論文 参考訳(メタデータ) (2021-03-22T10:37:20Z) - Weakly Supervised Deep Nuclei Segmentation Using Partial Points
Annotation in Histopathology Images [51.893494939675314]
本稿では,部分点アノテーションに基づく弱教師付きセグメンテーションフレームワークを提案する。
本手法は, 完全教師付き手法や最先端手法と比較して, 競争性能を向上できることを示す。
論文 参考訳(メタデータ) (2020-07-10T15:41:29Z) - clDice -- A Novel Topology-Preserving Loss Function for Tubular
Structure Segmentation [57.20783326661043]
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。
論文 参考訳(メタデータ) (2020-03-16T16:27:49Z)
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。