論文の概要: Universal Loss Reweighting to Balance Lesion Size Inequality in 3D Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2007.10033v1
• Date: Mon, 20 Jul 2020 12:08:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-08 14:32:51.591879
• Title: Universal Loss Reweighting to Balance Lesion Size Inequality in 3D Medical Image Segmentation
• Title（参考訳）: 3次元医用画像分割における病変サイズ不平等に対するユニバーサル損失の軽減
• Authors: Boris Shirokikh, Alexey Shevtsov, Anvar Kurmukov, Alexandra Dalechina, Egor Krivov, Valery Kostjuchenko, Andrey Golanov, Mikhail Belyaev
• Abstract要約: ネットワークの小さな病変の検出能力を高めるために,損失再重み付け手法を提案する。 Dice Loss, Focal Loss, Asymmetric similarity Lossなど,よく知られた損失関数に対する本手法の利点を報告する。 実験の結果, 逆重み付けは検出品質を著しく向上させる一方で, 最先端のデライン化品質を保っていることがわかった。
• 参考スコア（独自算出の注目度）: 50.63623720394348
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Target imbalance affects the performance of recent deep learning methods in many medical image segmentation tasks. It is a twofold problem: class imbalance - positive class (lesion) size compared to negative class (non-lesion) size; lesion size imbalance - large lesions overshadows small ones (in the case of multiple lesions per image). While the former was addressed in multiple works, the latter lacks investigation. We propose a loss reweighting approach to increase the ability of the network to detect small lesions. During the learning process, we assign a weight to every image voxel. The assigned weights are inversely proportional to the lesion volume, thus smaller lesions get larger weights. We report the benefit from our method for well-known loss functions, including Dice Loss, Focal Loss, and Asymmetric Similarity Loss. Additionally, we compare our results with other reweighting techniques: Weighted Cross-Entropy and Generalized Dice Loss. Our experiments show that inverse weighting considerably increases the detection quality, while preserves the delineation quality on a state-of-the-art level. We publish a complete experimental pipeline for two publicly available datasets of CT images: LiTS and LUNA16 (https://github.com/neuro-ml/inverse_weighting). We also show results on a private database of MR images for the task of multiple brain metastases delineation.
• Abstract（参考訳）: ターゲット不均衡は、多くの医用画像分割タスクにおける近年のディープラーニング手法の性能に影響を及ぼす。 これは2つの問題である: クラス不均衡 - 負のクラス(非競合)サイズと比較した場合の正のクラス(競合)サイズ、病変サイズ不均衡 - 大きな病変は小さなもの(画像毎に複数の病変がある場合)を覆っている。 前者は複数の作品で取り組んだが、後者は調査を欠いている。 ネットワークの小さな病変の検出能力を高めるために,損失再重み付け手法を提案する。 学習過程において,各画像のボクセルに重みを割り当てる。 割り当てられた重量は病変の体積に逆比例するので、より小さな病変はより大きな重量になる。 Dice Loss, Focal Loss, Asymmetric similarity Lossなど,よく知られた損失関数に対する本手法の利点を報告する。 さらに,重み付きクロスエントロピーと一般化Dice Lossという,他の再重み付け手法との比較を行った。 実験の結果, 逆重み付けは検出品質を大幅に向上させるが, 表示品質は最先端のレベルに保たれることがわかった。 LiTSとLUNA16(https://github.com/neuro-ml/inverse_weighting)という2つのCT画像の公開データセットに対する完全な実験パイプラインを公開しています。 また,複数の脳転移の課題に対してmr画像のプライベートデータベース上で結果を示す。

関連論文リスト

• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Contour-weighted loss for class-imbalanced image segmentation [2.183832403223894]
  画像のセグメンテーションは、ほとんど全ての医療画像解析において、自動解釈と処理において極めて重要である。 クラス内とクラス間のデータ不均衡のため、イメージセグメンテーションを実行することはしばしば困難である。 本稿では,コンパクトで効果的な輪郭重み付き損失関数を用いた新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-06-07T07:43:52Z)
• All Sizes Matter: Improving Volumetric Brain Segmentation on Small Lesions [10.713888034128496]
  我々は,小さなBMの検出とセグメンテーションに明示的に焦点をあてたニューラルネットワークのアンサンブルを開発する。 大きさやテクスチャの面では病変インスタンスの不均衡に特に対処するブロブロスを用いており,大病変に対しては偏りがない。 本実験は, 対数的ブロブ損失と減算シーケンスの有用性を実証した。
  論文  参考訳（メタデータ） (2023-10-04T13:56:32Z)
• Robust T-Loss for Medical Image Segmentation [56.524774292536264]
  本稿では,医用画像分割のための新しいロバストな損失関数T-Lossを提案する。 提案した損失は、Student-t分布の負のログ類似度に基づいており、データ内の外れ値の処理を効果的に行うことができる。 実験の結果,T-Lossは2つの医療データセットのダイススコアにおいて従来の損失関数よりも優れていた。
  論文  参考訳（メタデータ） (2023-06-01T14:49:40Z)
• Random Weights Networks Work as Loss Prior Constraint for Image Restoration [50.80507007507757]
  「画像復元の優先制約としてランダムウェイトネットワークを機能させることができる」という信念を提示する。」 我々の信念は、計算コストのトレーニングやテストなしに、既存のネットワークに直接挿入することができる。 強調しておきたいのは、損失関数の領域を刺激し、現在無視されている状態を保存することです。
  論文  参考訳（メタデータ） (2023-03-29T03:43:51Z)
• On the Optimal Combination of Cross-Entropy and Soft Dice Losses for Lesion Segmentation with Out-of-Distribution Robustness [15.08731999725517]
  医用画像の病変セグメント化に対する異なる損失関数の影響について検討した。 損失関数の最小化が分布内性能に与える影響を解析する。 CE-Dice損失組合せは, 分布内画像のセグメンテーションにおいて優れており, 分布外データを扱う場合, 性能が劣る。
  論文  参考訳（メタデータ） (2022-09-13T15:32:32Z)
• Optimizing Operating Points for High Performance Lesion Detection and Segmentation Using Lesion Size Reweighting [1.0514231683620514]
  セグメンテーション精度を維持しつつ,小さな病理診断性能を向上させるための新しいリウィーディング戦略を提案する。 我々は,多発性硬化症患者画像の大規模・マルチスキャン・マルチセンターデータセットの実験に基づいて,我々のリウィーディング戦略が競合戦略を大きく上回っていることを示す。
  論文  参考訳（メタデータ） (2021-07-27T17:43:49Z)
• On the Robustness of Pretraining and Self-Supervision for a Deep Learning-based Analysis of Diabetic Retinopathy [70.71457102672545]
  糖尿病網膜症における訓練方法の違いによる影響を比較検討した。 本稿では,定量的性能,学習した特徴表現の統計,解釈可能性,画像歪みに対する頑健性など,さまざまな側面について検討する。 以上の結果から,ImageNet事前学習モデルでは,画像歪みに対する性能,一般化,堅牢性が著しく向上していることが示唆された。
  論文  参考訳（メタデータ） (2021-06-25T08:32:45Z)
• A Mixed Focal Loss Function for Handling Class Imbalanced Medical Image Segmentation [0.7619404259039283]
  声帯損失とDice損失関数の修正版から導出した新しい化合物損失関数を提案する。 提案した損失関数は、より優れたリコール精度バランスに関連付けられ、二値画像と多値画像のセグメンテーションにおいて、他の損失関数よりも大幅に優れる。
  論文  参考訳（メタデータ） (2021-02-08T20:47:38Z)
• Scale-Space Autoencoders for Unsupervised Anomaly Segmentation in Brain MRI [47.26574993639482]
  本研究では, 異常セグメンテーション性能の向上と, ネイティブ解像度で入力データのより鮮明な再構成を行う汎用能力を示す。 ラプラシアンピラミッドのモデリングにより、複数のスケールで病変のデライン化と集約が可能になる。
  論文  参考訳（メタデータ） (2020-06-23T09:20:42Z)

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。