Fugu-MT 論文翻訳(概要): Deep Small Bowel Segmentation with Cylindrical Topological Constraints

論文の概要: Deep Small Bowel Segmentation with Cylindrical Topological Constraints

arxiv url: http://arxiv.org/abs/2007.08674v1
Date: Thu, 16 Jul 2020 22:28:27 GMT
ステータス: 処理完了
システム内更新日: 2022-11-10 00:01:18.306367
Title: Deep Small Bowel Segmentation with Cylindrical Topological Constraints
Title（参考訳）: 円筒状トポロジカル制約を伴う深部小腸分節
Authors: Seung Yeon Shin, Sungwon Lee, Daniel C. Elton, James L. Gulley, Ronald M. Summers
Abstract要約: そこで本研究では,小腸の内筒を予測するために,枝を追加してネットワークを強化することを提案する。インナーシリンダにはタッチ問題がなく、この拡張ブランチに印加された円筒形状制約がネットワークを案内し、トポロジカルに正しいセグメンテーションを生成する。
参考スコア（独自算出の注目度）: 4.945066875192949
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present a novel method for small bowel segmentation where a cylindrical topological constraint based on persistent homology is applied. To address the touching issue which could break the applied constraint, we propose to augment a network with an additional branch to predict an inner cylinder of the small bowel. Since the inner cylinder is free of the touching issue, a cylindrical shape constraint applied on this augmented branch guides the network to generate a topologically correct segmentation. For strict evaluation, we achieved an abdominal computed tomography dataset with dense segmentation ground-truths. The proposed method showed clear improvements in terms of four different metrics compared to the baseline method, and also showed the statistical significance from a paired t-test.
Abstract（参考訳）: 本稿では, 持続的ホモロジーに基づく円筒状位相制約を適用した小腸セグメンテーション法を提案する。応用制約を破る可能性のある接触問題に対処するため,小便の内筒を予測するために,追加の支柱でネットワークを強化することを提案する。インナーシリンダにはタッチ問題がなく、この拡張ブランチに印加された円筒形状制約がネットワークを案内し、位相的に正しいセグメンテーションを生成する。厳密な評価のために,腹腔内ctデータに高密度セグメンテーションを施した。提案手法は,ベースライン法と比較して4つの異なる指標を用いて明らかに改善し,t-テストによる統計的意義を示した。

関連論文リスト

SLoRD: Structural Low-Rank Descriptors for Shape Consistency in Vertebrae Segmentation [13.225110742269543]
我々は,CT画像から脊椎を自動的に正確に分割するための輪郭型ネットワークを提案する。具体的には、SLoRDと呼ばれる形状整合性のための構造的低ランク記述子に基づく輪郭型ネットワークを提案する。輪郭記述子をより正確に表現するために、球面座標系を採用し、球面セントロイドを考案する。
論文参考訳（メタデータ） (2024-07-11T14:39:54Z)
Information-Theoretic Thresholds for Planted Dense Cycles [52.076657911275525]
本研究では,社会科学や生物科学においてユビキタスな小世界ネットワークのランダムグラフモデルについて検討する。植え込み高密度サイクルの検出と回復の両面において、情報理論の閾値を$n$, $tau$、エッジワイド信号対雑音比$lambda$で特徴づける。
論文参考訳（メタデータ） (2024-02-01T03:39:01Z)
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)
Mean-field Analysis of Piecewise Linear Solutions for Wide ReLU Networks [83.58049517083138]
勾配勾配勾配を用いた2層ReLUネットワークについて検討する。 SGDは単純な解に偏りがあることが示される。また,データポイントと異なる場所で結び目が発生するという経験的証拠も提供する。
論文参考訳（メタデータ） (2021-11-03T15:14:20Z)
TA-Net: Topology-Aware Network for Gland Segmentation [71.52681611057271]
本研究では, 密集した腺と高度に変形した腺を正確に分離する新しいトポロジ・アウェア・ネットワーク(TA-Net)を提案する。 TA-Netはマルチタスク学習アーキテクチャを持ち、腺セグメンテーションの一般化を強化する。 2つのデータセットで最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2021-10-27T17:10:58Z)
Context-aware virtual adversarial training for anatomically-plausible segmentation [24.81862697703223]
本稿では,解剖学的に妥当なセグメンテーションを生成するために,コンテキスト対応の仮想敵訓練(CaVAT)法を提案する。我々は,制約に違反する例を生成するために,敵対的トレーニングを用いて,そのような誤った予測をしないように学習する。臨床的に関連のある2つのデータセットの実験では、領域接続性の観点から正確かつ解剖学的に解明可能なセグメンテーションを生成する方法が示されている。
論文参考訳（メタデータ） (2021-07-12T16:01:27Z)
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)
Hierarchical Verification for Adversarial Robustness [89.30150585592648]
正解点$ell_p$ロバスト性検証問題に対する新しいフレームワークを提案する。 LayerCertは、修正線形アクティベーション(ReLU)を用いたディープフィードフォワードネットワークの階層的幾何構造を利用する提案手法は,GeoCertに比べて,解決すべき凸プログラムの数とサイズを確実に削減できることを示す。
論文参考訳（メタデータ） (2020-07-23T07:03:05Z)
Convexifying Sparse Interpolation with Infinitely Wide Neural Networks: An Atomic Norm Approach [4.380224449592902]
この研究は、漏れやすい整列線形単位活性化を伴うスパース(ニューロン数)、無限幅の単一の隠蔽層ニューラルネットワークによる正確なデータの問題を調べる。ネットワークの重みと偏りに関するいくつかの異なる制約の下で、この問題に対する対応する原子集合の凸殻の簡易な特徴付けを導出する。また,提案手法を二項分類問題に拡張した。
論文参考訳（メタデータ） (2020-07-15T21:40:51Z)
LORCK: Learnable Object-Resembling Convolution Kernels [1.853658628381862]
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。
論文参考訳（メタデータ） (2020-07-09T23:17:40Z)
Bending Loss Regularized Network for Nuclei Segmentation in Histopathology Images [69.74667930907314]
核分割のための曲げ損失正規化ネットワークを提案する。提案した曲げ損失は、大きな曲率を持つ輪郭点に対する高い罰則を定義し、小さな曲率を持つ輪郭点に小さな罰則を適用する。曲げ損失の最小化は、複数の核を含む輪郭の発生を避けることができる。
論文参考訳（メタデータ） (2020-02-03T21:20:50Z)

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。