論文の概要: Robust Retinal Vessel Segmentation from a Data Augmentation Perspective
- arxiv url: http://arxiv.org/abs/2007.15883v2
- Date: Tue, 28 Sep 2021 08:21:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-04 07:04:41.244004
- Title: Robust Retinal Vessel Segmentation from a Data Augmentation Perspective
- Title（参考訳）: データ拡張の観点から見たロバスト網膜血管分画
- Authors: Xu Sun, Huihui Fang, Yehui Yang, Dongwei Zhu, Lei Wang, Junwei Liu,
Yanwu Xu
- Abstract要約: 本稿では,チャネルワイドなガンマ補正とチャネルワイドなランダムな血管拡張という2つの新しいデータ拡張モジュールを提案する。
これら2つのモジュールを逐次適用することによって生成された追加のトレーニングサンプルによって、モデルはより不変かつ識別的な特徴を学ぶことができる。
実世界のデータセットと合成データセットの両方の実験結果から,従来の畳み込みニューラルネットワークアーキテクチャの性能と堅牢性の向上が実証された。
- 参考スコア（独自算出の注目度）: 14.768009562830004
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Retinal vessel segmentation is a fundamental step in screening, diagnosis,
and treatment of various cardiovascular and ophthalmic diseases. Robustness is
one of the most critical requirements for practical utilization, since the test
images may be captured using different fundus cameras, or be affected by
various pathological changes. We investigate this problem from a data
augmentation perspective, with the merits of no additional training data or
inference time. In this paper, we propose two new data augmentation modules,
namely, channel-wise random Gamma correction and channel-wise random vessel
augmentation. Given a training color fundus image, the former applies random
gamma correction on each color channel of the entire image, while the latter
intentionally enhances or decreases only the fine-grained blood vessel regions
using morphological transformations. With the additional training samples
generated by applying these two modules sequentially, a model could learn more
invariant and discriminating features against both global and local
disturbances. Experimental results on both real-world and synthetic datasets
demonstrate that our method can improve the performance and robustness of a
classic convolutional neural network architecture. The source code is available
at
\url{https://github.com/PaddlePaddle/Research/tree/master/CV/robust_vessel_segmentation}.
- Abstract（参考訳）: 網膜血管セグメンテーションは、様々な心血管および眼疾患のスクリーニング、診断、治療の基本的なステップである。
試験画像は異なる眼底カメラで撮影されるか、あるいは様々な病理学的変化によって影響を受けるため、ロバスト性は実用的利用の最も重要な要件の1つである。
追加のトレーニングデータや推論時間がないというメリットから,データ拡張の観点からこの問題を調査した。
本稿では,チャネルワイドなガンマ補正とチャネルワイドなランダムな血管拡張という2つの新しいデータ拡張モジュールを提案する。
訓練用カラーファンダス画像が与えられると、前者は画像全体の各カラーチャネルにランダムなガンマ補正を施し、後者は形態素変換を用いて微細な血管領域のみを意図的に増強または減少させる。
これらの2つのモジュールを順次適用することで生成された追加のトレーニングサンプルにより、モデルはさらに不変性を学び、大域的および局所的な障害に対して特徴を識別することができる。
実世界のデータセットと合成データセットの両方の実験結果から,従来の畳み込みニューラルネットワークアーキテクチャの性能と堅牢性の向上が実証された。
ソースコードは \url{https://github.com/paddlepaddle/research/tree/master/cv/robust_vessel_segmentation} で入手できる。
関連論文リスト
- Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。
半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文 参考訳（メタデータ） (2023-12-26T12:56:31Z) - Deep Angiogram: Trivializing Retinal Vessel Segmentation [1.8479315677380455]
本研究では,無関係な特徴をフィルタリングし,深部血管造影という潜像を合成するコントラスト型変分自動エンコーダを提案する。
合成ネットワークの一般化性は、画像コントラストとノイズの特徴の変動に敏感なモデルを実現するコントラスト損失によって改善される。
論文 参考訳（メタデータ） (2023-07-01T06:13:10Z) - VesselMorph: Domain-Generalized Retinal Vessel Segmentation via
Shape-Aware Representation [12.194439938007672]
ドメインシフトは医療画像の本質的な特性であり、学習ベースのアルゴリズムを大規模に展開する上で大きな障害となっている。
形状認識表現を合成することにより2次元網膜血管セグメンテーションタスクを一般化するVesselMorphという手法を提案する。
VesselMorphは、異なるドメインシフトシナリオの競合するメソッドと比較して、優れた一般化性能を実現する。
論文 参考訳（メタデータ） (2023-07-01T06:02:22Z) - Performance of GAN-based augmentation for deep learning COVID-19 image
classification [57.1795052451257]
ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。
データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。
本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
論文 参考訳（メタデータ） (2023-04-18T15:39:58Z) - Affinity Feature Strengthening for Accurate, Complete and Robust Vessel
Segmentation [48.638327652506284]
血管セグメンテーションは、冠動脈狭窄、網膜血管疾患、脳動脈瘤などの多くの医学的応用において重要である。
コントラストに敏感なマルチスケールアフィニティアプローチを用いて,幾何学的手法と画素単位のセグメンテーション特徴を連成的にモデル化する新しいアプローチであるAFNを提案する。
論文 参考訳（メタデータ） (2022-11-12T05:39:17Z) - Parametric Scaling of Preprocessing assisted U-net Architecture for
Improvised Retinal Vessel Segmentation [1.3869502085838448]
本稿では,形態素前処理と拡張U-netアーキテクチャを併用した画像強調手法を提案する。
ROC曲線 (>0.9762) と分類精度 (>95.47%) の領域において、領域内の他のアルゴリズムと比較して顕著な改善が得られた。
論文 参考訳（メタデータ） (2022-03-18T15:26:05Z) - Cross-Site Severity Assessment of COVID-19 from CT Images via Domain
Adaptation [64.59521853145368]
CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。
ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。
この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
論文 参考訳（メタデータ） (2021-09-08T07:56:51Z) - Transfer Learning Through Weighted Loss Function and Group Normalization
for Vessel Segmentation from Retinal Images [0.0]
血管の血管構造は緑内障や糖尿病網膜症などの網膜疾患の診断に重要である。
深層学習とトランスファー学習を併用した網膜血管のセグメンテーション手法を提案する。
提案手法は,他の手法よりもセグメンテーション精度が高い。
論文 参考訳（メタデータ） (2020-12-16T20:34:48Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2020-07-24T14:02:09Z) - StyPath: Style-Transfer Data Augmentation For Robust Histology Image
Classification [6.690876060631452]
我々は,StyPathに基づくAMR分類のための,堅牢なディープニューラルネットワークを構築するための新しいパイプラインを提案する。
それぞれの画像は、1GTX V TITANとpytorchを使って1.84 + 0.03秒で生成された。
以上の結果から,本手法は組織学的分類性能を向上させることが示唆された。
論文 参考訳（メタデータ） (2020-07-09T18:02:49Z) - Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and
Convolutional Neural Networks [68.96150598294072]
未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。
網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。
近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。
本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。
提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
論文 参考訳（メタデータ） (2020-04-03T14:07:41Z)
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。