論文の概要: Retinal Image Segmentation with a Structure-Texture Demixing Network

• arxiv url: http://arxiv.org/abs/2008.00817v1
• Date: Wed, 15 Jul 2020 12:19:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-10 06:30:04.982767
• Title: Retinal Image Segmentation with a Structure-Texture Demixing Network
• Title（参考訳）: 構造テクスチュアデミキシングネットワークを用いた網膜画像分割
• Authors: Shihao Zhang, Huazhu Fu, Yanwu Xu, Yanxia Liu, Mingkui Tan
• Abstract要約: 複雑な構造とテクスチャ情報は網膜画像に混在し、その情報の識別が困難である。 既存の手法はテクスチャと構造を共同で扱うため、偏りのあるモデルをテクスチャ認識に導くことができ、結果としてセグメンテーション性能は低下する。 本稿では,構造成分とテクスチャ成分を分離し,性能を大幅に向上させるセグメンテーション戦略を提案する。
• 参考スコア（独自算出の注目度）: 62.69128827622726
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retinal image segmentation plays an important role in automatic disease diagnosis. This task is very challenging because the complex structure and texture information are mixed in a retinal image, and distinguishing the information is difficult. Existing methods handle texture and structure jointly, which may lead biased models toward recognizing textures and thus results in inferior segmentation performance. To address it, we propose a segmentation strategy that seeks to separate structure and texture components and significantly improve the performance. To this end, we design a structure-texture demixing network (STD-Net) that can process structures and textures differently and better. Extensive experiments on two retinal image segmentation tasks (i.e., blood vessel segmentation, optic disc and cup segmentation) demonstrate the effectiveness of the proposed method.
• Abstract（参考訳）: 網膜イメージセグメンテーションは自動疾患診断において重要な役割を担っている。 この課題は、複雑な構造とテクスチャ情報が網膜画像に混ざり合っており、情報の識別が難しいため、非常に困難である。 既存の手法はテクスチャと構造を共同で扱うため、偏りのあるモデルをテクスチャ認識に導くことができ、結果としてセグメンテーション性能は低下する。 そこで本研究では,構造とテクスチャコンポーネントの分離と性能向上を目的としたセグメント化戦略を提案する。 そこで我々は,構造とテクスチャを異様に処理できるstd-net (structure-texture demixing network) を設計した。 2つの網膜画像分割タスク(血管分割、光ディスク、カップ分割)の広範囲にわたる実験により、提案手法の有効性が示された。

関連論文リスト

• Data Augmentation for Surgical Scene Segmentation with Anatomy-Aware Diffusion Models [1.9085155846692308]
  アノテーションを用いた多段階手術データセットを生成するための多段階的アプローチを提案する。 本フレームワークは,二分節マスクを応用した臓器特異的モデルの訓練により,解剖学的意識の向上を図る。 この汎用的なアプローチにより、実際のバイナリデータセットとシミュレートされた手術マスクから、マルチクラスのデータセットを生成することができる。
  論文  参考訳（メタデータ） (2024-10-10T09:29:23Z)
• Enhancing Cross-Modal Medical Image Segmentation through Compositionality [0.4194295877935868]
  セグメント化性能と解釈可能性を向上させるために,クロスモーダルセグメンテーションネットワークにおける帰納バイアスとして構成性を導入する。 提案するネットワークは、学習可能なvon Mises-Fisherカーネルを用いて学習した表現に合成性を適用する。 実験の結果, セグメンテーション性能が向上し, 複数の医療データセットの計算コストが低減された。
  論文  参考訳（メタデータ） (2024-08-21T15:57:24Z)
• Systematic review of image segmentation using complex networks [1.3053649021965603]
  本稿では,複雑なネットワークを用いた画像分割手法について述べる。 コンピュータビジョンや画像処理の応用において、画像分割は複雑な画像の解析に不可欠である。
  論文  参考訳（メタデータ） (2024-01-05T11:14:07Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• Joint Learning of Deep Texture and High-Frequency Features for Computer-Generated Image Detection [24.098604827919203]
  本稿では,CG画像検出のための深いテクスチャと高周波特徴を有する共同学習戦略を提案する。 セマンティックセグメンテーションマップを生成して、アフィン変換操作を誘導する。 原画像と原画像の高周波成分の組み合わせを、注意機構を備えたマルチブランチニューラルネットワークに供給する。
  論文  参考訳（メタデータ） (2022-09-07T17:30:40Z)
• Image Inpainting Guided by Coherence Priors of Semantics and Textures [62.92586889409379]
  セマンティクスとテクスチャ間のコヒーレンスプリエンスを導入することにより、セマンティクス的な方法で別々のテクスチャを完成させることに集中できる。 また,全体構造と詳細なテクスチャの観点から,セマンティクスとインペインテッドイメージの一貫性を制約する2つのコヒーレンス損失を提案する。
  論文  参考訳（メタデータ） (2020-12-15T02:59:37Z)
• Interactive Deep Refinement Network for Medical Image Segmentation [13.698408475104452]
  従来のセマンティックセグメンテーションネットワークを改善するための対話型ディープリファインメントフレームワークを提案する。 提案するフレームワークでは,従来のセグメンテーションネットワークに改良ネットワークを追加し,結果を改善した。 公開データセットによる実験結果から,提案手法が他の最先端手法よりも高い精度を達成できることが判明した。
  論文  参考訳（メタデータ） (2020-06-27T08:24:46Z)
• Region-adaptive Texture Enhancement for Detailed Person Image Synthesis [86.69934638569815]
  RATE-Netは、シャープなテクスチャで人物画像を合成するための新しいフレームワークである。 提案するフレームワークは,テクスチャ強化モジュールを利用して,画像から外観情報を抽出する。 DeepFashionベンチマークデータセットで実施された実験は、既存のネットワークと比較して、我々のフレームワークの優位性を実証した。
  論文  参考訳（メタデータ） (2020-05-26T02:33:21Z)
• Towards Analysis-friendly Face Representation with Scalable Feature and Texture Compression [113.30411004622508]
  普遍的で協調的な視覚情報表現は階層的な方法で実現できることを示す。 ディープニューラルネットワークの強力な生成能力に基づいて、基本特徴層と強化層の間のギャップは、特徴レベルのテクスチャ再構築によってさらに埋められる。 提案するフレームワークの効率を改善するために,ベース層ニューラルネットワークをマルチタスクでトレーニングする。
  論文  参考訳（メタデータ） (2020-04-21T14:32:49Z)
• Guidance and Evaluation: Semantic-Aware Image Inpainting for Mixed Scenes [54.836331922449666]
  本稿では,SGE-Net(Semantic Guidance and Evaluation Network)を提案する。 セマンティックセグメンテーションマップをインペイントの各尺度のガイダンスとして利用し、そこで位置依存推論を再評価する。 混合シーンの現実画像に対する実験により,提案手法が最先端手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-03-15T17:49:20Z)

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。