Fugu-MT 論文翻訳(概要): A persistent homology-based topological loss function for multi-class CNN segmentation of cardiac MRI

論文の概要: A persistent homology-based topological loss function for multi-class CNN segmentation of cardiac MRI

arxiv url: http://arxiv.org/abs/2008.09585v1
Date: Fri, 21 Aug 2020 17:09:13 GMT
ステータス: 処理完了
システム内更新日: 2022-10-26 22:12:05.919433
Title: A persistent homology-based topological loss function for multi-class CNN segmentation of cardiac MRI
Title（参考訳）: 心筋MRIのマルチクラスCNNセグメンテーションにおける持続的ホモロジーに基づく位相損失関数
Authors: Nick Byrne, James R. Clough, Giovanni Montana, Andrew P. King
Abstract要約: 可能なラベルとラベルペアをすべて考慮し,より豊かなセグメンテーショントポロジの記述を構築する。これらのトポロジカル事前は、ACDC短軸CMRトレーニングデータセットから150個のサンプルのサブセットで全てのトポロジカルエラーを解決することができる。
参考スコア（独自算出の注目度）: 7.993897173085253
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: With respect to spatial overlap, CNN-based segmentation of short axis cardiovascular magnetic resonance (CMR) images has achieved a level of performance consistent with inter observer variation. However, conventional training procedures frequently depend on pixel-wise loss functions, limiting optimisation with respect to extended or global features. As a result, inferred segmentations can lack spatial coherence, including spurious connected components or holes. Such results are implausible, violating the anticipated topology of image segments, which is frequently known a priori. Addressing this challenge, published work has employed persistent homology, constructing topological loss functions for the evaluation of image segments against an explicit prior. Building a richer description of segmentation topology by considering all possible labels and label pairs, we extend these losses to the task of multi-class segmentation. These topological priors allow us to resolve all topological errors in a subset of 150 examples from the ACDC short axis CMR training data set, without sacrificing overlap performance.
Abstract（参考訳）: 空間的重なりについては,CNNによる短軸心血管磁気共鳴(CMR)画像のセグメンテーションは,観察者間変動と同等の性能を示した。しかし、従来の訓練手順は画素単位の損失関数に依存し、拡張やグローバルな特徴に対する最適化を制限する。その結果、推定されたセグメンテーションは、突発的な連結成分や穴を含む空間的コヒーレンスを欠くことができる。このような結果は、しばしば優先順位として知られる画像セグメントの予測されたトポロジーに違反し、目立たない。この課題に対処するために、公開された研究は、画像セグメントを明示的な事前評価のために位相的損失関数を構築した永続的ホモロジーを用いている。すべての可能なラベルとラベルペアを考慮し、より豊かなセグメンテーショントポロジの記述を構築することで、これらの損失をマルチクラスセグメンテーションのタスクに拡張する。これらのトポロジカル事前は、オーバーラップ性能を犠牲にすることなく、ACDC短軸CMRトレーニングデータセットから150の例のサブセットで全てのトポロジカルエラーを解決することができる。

関連論文リスト

Topograph: An efficient Graph-Based Framework for Strictly Topology Preserving Image Segmentation [78.54656076915565]
位相的正しさは多くの画像分割タスクにおいて重要な役割を果たす。ほとんどのネットワークは、Diceのようなピクセル単位の損失関数を使って、トポロジカルな精度を無視して訓練されている。トポロジ的に正確な画像セグメンテーションのための新しいグラフベースのフレームワークを提案する。
論文参考訳（メタデータ） (2024-11-05T16:20:14Z)
PI-Att: Topology Attention for Segmentation Networks through Adaptive Persistence Image Representation [1.4680035572775534]
我々は,新たなトポロジ認識損失関数を導入し,ネットワークに対して,地上の真実と予測マップのトポロジ的相違を最小化するよう強制する。セグメント化ネットワーク損失の文脈において,各マップのトポロジを永続画像表現によって定量化する。提案したPI-Att損失は, 大動脈と大血管のセグメンテーションの2つの異なるデータセットで評価された。
論文参考訳（メタデータ） (2024-08-15T09:06:49Z)
Direct Cardiac Segmentation from Undersampled K-space Using Transformers [10.079819435628579]
変換器(DiSK)を用いたスパースk空間サンプルから分割を導出する新しい手法を提案する。我々のモデルは、示されるすべてのサンプリングレートに対して、Dice と Hausdorff の距離の基底線を常に上回る。
論文参考訳（メタデータ） (2024-05-31T20:54:12Z)
Topologically Faithful Multi-class Segmentation in Medical Images [43.6770098513581]
位相的に忠実な多クラスセグメンテーションのための一般損失関数を提案する。我々はNクラス分割問題をNクラス分割タスクに投射する。心筋, 細胞, 動脈静脈, およびWillisセグメンテーションの局所的正当性は, 著明に向上する。
論文参考訳（メタデータ） (2024-03-16T19:11:57Z)
Topology-Aware Focal Loss for 3D Image Segmentation [0.0]
本稿では,従来の音声損失をトポロジカル制約項に組み込んだ新しい損失関数,すなわちTopology-Aware Focal Loss (TAFL)を導入する。我々はMICCAI脳腫瘍(BraTS)チャレンジ検証データセットを用いて3次元U-Netをトレーニングすることでアプローチを評価する。
論文参考訳（メタデータ） (2023-04-24T16:07:17Z)
Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文参考訳（メタデータ） (2022-12-01T07:32:56Z)
Inconsistency-aware Uncertainty Estimation for Semi-supervised Medical Image Segmentation [92.9634065964963]
我々は、不確実性推定と個別の自己学習戦略に基づいて、新しい半教師付きセグメンテーションモデル、すなわち保守的ラディカルネットワーク(CoraNet)を提案する。現在の技術と比較すると、ColaNetは優れたパフォーマンスを示しています。
論文参考訳（メタデータ） (2021-10-17T08:49:33Z)
PSGR: Pixel-wise Sparse Graph Reasoning for COVID-19 Pneumonia Segmentation in CT Images [83.26057031236965]
画像中の新型コロナウイルス感染領域セグメンテーションの長距離依存性のモデリングを強化するために,PSGRモジュールを提案する。 PSGRモジュールは不正確なピクセルからノードへの投影を回避し、グローバルな推論のために各ピクセル固有の情報を保存する。このソリューションは、3つの公開データセット上の4つの広く使われているセグメンテーションモデルに対して評価されている。
論文参考訳（メタデータ） (2021-08-09T04:58:23Z)
A persistent homology-based topological loss for CNN-based multi-class segmentation of CMR [5.898114915426535]
心臓磁気共鳴(CMR)画像のマルチクラスセグメンテーションは、既知の構造と構成を持つ解剖学的構成要素にデータの分離を求める。最も一般的なCNNベースの手法は、解剖を特徴付ける空間的に拡張された特徴を無視した画素ワイズ損失関数を用いて最適化されている。これらのアプローチは、全てのクラスラベルとクラスラベルペアのリッチなトポロジカル記述を構築することで、マルチクラスセグメンテーションのタスクに拡張する。
論文参考訳（メタデータ） (2021-07-27T09:21:38Z)
Adaptive feature recombination and recalibration for semantic segmentation with Fully Convolutional Networks [57.64866581615309]
完全畳み込みネットワークを用いたセマンティックセグメンテーションに適応した特徴の組換えと空間適応型再分類ブロックを提案する。その結果、再結合と再校正は競争ベースラインの結果を改善し、3つの異なる問題にまたがって一般化することを示した。
論文参考訳（メタデータ） (2020-06-19T15:45:03Z)
Residual-driven Fuzzy C-Means Clustering for Image Segmentation [152.609322951917]
画像分割のための残留駆動型ファジィC平均(FCM)について詳述する。この枠組みに基づいて,混合雑音分布の重み付けによる重み付き$ell_2$-norm忠実度項を示す。その結果、既存のFCM関連アルゴリズムよりも提案アルゴリズムの有効性と効率が優れていることが示された。
論文参考訳（メタデータ） (2020-04-15T15:46:09Z)

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。