論文の概要: TopNet: Topology Preserving Metric Learning for Vessel Tree
Reconstruction and Labelling
- arxiv url: http://arxiv.org/abs/2009.08674v1
- Date: Fri, 18 Sep 2020 07:55:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-17 03:07:21.834193
- Title: TopNet: Topology Preserving Metric Learning for Vessel Tree
Reconstruction and Labelling
- Title（参考訳）: topnet: コンテナツリーの再構築とラベリングのためのメトリックラーニングを保存するトポロジー
- Authors: Deepak Keshwani, Yoshiro Kitamura, Satoshi Ihara, Satoshi Iizuka,
Edgar Simo-Serra
- Abstract要約: 本稿では,容器木再構築のための新しいディープラーニングアーキテクチャを提案する。
ネットワークアーキテクチャは、同時に、血管中心線(すなわちノード)上のボクセルを検出するタスクを解決し、再建すべきツリー構造における中心ボクセル(エッジ)間の接続性を推定する。
パブリックIRCADデータセットの徹底的な評価は,提案手法が既存のセマンティックセグメンテーション法よりもかなり優れていることを示している。
- 参考スコア（独自算出の注目度）: 22.53041565779104
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Reconstructing Portal Vein and Hepatic Vein trees from contrast enhanced
abdominal CT scans is a prerequisite for preoperative liver surgery simulation.
Existing deep learning based methods treat vascular tree reconstruction as a
semantic segmentation problem. However, vessels such as hepatic and portal vein
look very similar locally and need to be traced to their source for robust
label assignment. Therefore, semantic segmentation by looking at local 3D patch
results in noisy misclassifications. To tackle this, we propose a novel
multi-task deep learning architecture for vessel tree reconstruction. The
network architecture simultaneously solves the task of detecting voxels on
vascular centerlines (i.e. nodes) and estimates connectivity between
center-voxels (edges) in the tree structure to be reconstructed. Further, we
propose a novel connectivity metric which considers both inter-class distance
and intra-class topological distance between center-voxel pairs. Vascular trees
are reconstructed starting from the vessel source using the learned
connectivity metric using the shortest path tree algorithm. A thorough
evaluation on public IRCAD dataset shows that the proposed method considerably
outperforms existing semantic segmentation based methods. To the best of our
knowledge, this is the first deep learning based approach which learns
multi-label tree structure connectivity from images.
- Abstract（参考訳）: 造影CTによる門脈および肝静脈の再建は,術前肝手術シミュレーションの必須条件である。
既存のディープラーニングに基づく手法は,血管再建を意味的セグメンテーション問題として扱う。
しかし、肝静脈や門脈のような血管は局所的に非常によく似ており、堅牢なラベル割り当てのためにその源まで追跡する必要がある。
したがって、局所的な3Dパッチによるセマンティックセグメンテーションは、ノイズの多い誤分類をもたらす。
そこで本研究では,容器木再構築のためのマルチタスク深層学習アーキテクチャを提案する。
ネットワークアーキテクチャは、血管中心線(すなわちノード)上のボクセルを検知し、再構築対象のツリー構造における中心ボクセル(エッジ)間の接続を推定するタスクを同時に解決する。
さらに,中心ボクセル対間のクラス間距離とクラス内トポロジカル距離を両立する新しい接続距離について提案する。
最短経路木アルゴリズムを用いて学習された接続距離を用いて血管源から血管木を再構成する。
パブリックIRCADデータセットの徹底的な評価は,提案手法が既存のセマンティックセグメンテーション法よりもかなり優れていることを示している。
我々の知る限りでは、これは画像からマルチラベルツリー構造接続を学習する最初のディープラーニングベースのアプローチである。
関連論文リスト
- Enhancing the automatic segmentation and analysis of 3D liver vasculature models [0.3957768262206625]
静脈木 - 門脈(開口)と肝(乾燥)の木は、肝解剖学と疾患状態を理解するのに重要である。
本研究の目的は, 血管の3次元分割, 骨格化, およびその後の解析を改善することである。
論文 参考訳（メタデータ） (2024-11-24T10:58:48Z) - Benchmarking Individual Tree Mapping with Sub-meter Imagery [6.907098367807166]
我々は,任意の物理的環境において,個々の木マッピングに適した評価フレームワークを提案する。
異なるアプローチと深いアーキテクチャをレビューし比較し、セグメンテーションと検出のよい妥協であることを示す新しい手法を実験的に導入する。
論文 参考訳（メタデータ） (2023-11-14T08:21:36Z) - CherryPicker: Semantic Skeletonization and Topological Reconstruction of
Cherry Trees [3.8697834534260447]
木々の測光点雲を再構築する自動パイプラインであるCherryPickerを紹介する。
本システムでは, 3D 植物表現型アプリケーションにおいて, 自動処理を実現するために, 最先端のアルゴリズムを組み合わせている。
論文 参考訳（メタデータ） (2023-04-10T16:54:05Z) - Image To Tree with Recursive Prompting [16.56278942191951]
本稿では,各ステップの最適化問題としてタスクを再構成する,ツリー接続構造を予測するための新しい手法を提案する。
提案手法は,一対の合成データセット上で有意な結果が得られ,最短パスベースラインよりも優れる。
論文 参考訳（メタデータ） (2023-01-01T17:35:24Z) - Triggering Failures: Out-Of-Distribution detection by learning from
local adversarial attacks in Semantic Segmentation [76.2621758731288]
セグメンテーションにおけるアウト・オブ・ディストリビューション(OOD)オブジェクトの検出に取り組む。
私たちの主な貢献は、ObsNetと呼ばれる新しいOOD検出アーキテクチャであり、ローカル・アタック(LAA)に基づく専用トレーニングスキームと関連付けられています。
3つの異なるデータセットの文献の最近の10つの手法と比較して,速度と精度の両面で最高の性能が得られることを示す。
論文 参考訳（メタデータ） (2021-08-03T17:09:56Z) - Embedding Semantic Hierarchy in Discrete Optimal Transport for Risk
Minimization [26.929277114533498]
リスク認識型クラス間相関を離散最適輸送(DOT)トレーニングフレームワークに組み込むことを提案する。
具体的には,階層型セマンティックツリー上でツリー誘導誤差(TIE)を定義し,その増加関数に拡張する。
プラグアンドプレイ方式のセマンティックツリー構造により、複数の大規模画像分類タスクで有望な結果が得られます。
論文 参考訳（メタデータ） (2021-04-30T21:47:36Z) - Ventral-Dorsal Neural Networks: Object Detection via Selective Attention [51.79577908317031]
我々はVDNet(Ventral-Dorsal Networks)と呼ばれる新しいフレームワークを提案する。
人間の視覚システムの構造にインスパイアされた我々は「Ventral Network」と「Dorsal Network」の統合を提案する。
実験の結果,提案手法は最先端の物体検出手法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2020-05-15T23:57:36Z) - MetricUNet: Synergistic Image- and Voxel-Level Learning for Precise CT
Prostate Segmentation via Online Sampling [66.01558025094333]
本稿では,前立腺領域を高速に局在させる第1段階と,前立腺領域を正確に区分する第2段階の2段階のフレームワークを提案する。
マルチタスクネットワークにおけるボクセルワイドサンプリングによる新しいオンラインメトリック学習モジュールを提案する。
本手法は,従来のクロスエントロピー学習法やDice損失学習法と比較して,より代表的なボクセルレベルの特徴を効果的に学習することができる。
論文 参考訳（メタデータ） (2020-05-15T10:37:02Z) - clDice -- A Novel Topology-Preserving Loss Function for Tubular
Structure Segmentation [57.20783326661043]
中心線Dice (short clDice) と呼ばれる新しい類似度尺度を導入する。
理論的には、clDiceは2次元および3次元のセグメンテーションにおけるホモトピー同値までのトポロジー保存を保証する。
我々は、船舶、道路、ニューロン(2Dと3D)を含む5つの公開データセットでソフトクライス損失をベンチマークした。
論文 参考訳（メタデータ） (2020-03-16T16:27:49Z) - Automatic Gesture Recognition in Robot-assisted Surgery with
Reinforcement Learning and Tree Search [63.07088785532908]
共同手術におけるジェスチャー分割と分類のための強化学習と木探索に基づく枠組みを提案する。
我々のフレームワークは,JIGSAWSデータセットのサチューリングタスクにおいて,精度,編集スコア,F1スコアの点で,既存の手法よりも一貫して優れています。
論文 参考訳（メタデータ） (2020-02-20T13:12:38Z) - Weakly-Supervised Semantic Segmentation by Iterative Affinity Learning [86.45526827323954]
弱教師付きセマンティックセグメンテーションは、トレーニングのためにピクセル単位のラベル情報が提供されないため、難しい課題である。
このようなペア関係を学習するための反復アルゴリズムを提案する。
本稿では,提案アルゴリズムが最先端手法に対して好適に動作することを示す。
論文 参考訳（メタデータ） (2020-02-19T10:32:03Z)
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。