論文の概要: Learning Non-Unique Segmentation with Reward-Penalty Dice Loss

• arxiv url: http://arxiv.org/abs/2009.10987v1
• Date: Wed, 23 Sep 2020 07:59:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-15 16:39:15.758458
• Title: Learning Non-Unique Segmentation with Reward-Penalty Dice Loss
• Title（参考訳）: Reward-Penalty Dice Lossによる非共通セグメンテーションの学習
• Authors: Jiabo He, Sarah Erfani, Sudanthi Wijewickrema, Stephen O'Leary, Kotagiri Ramamohanarao
• Abstract要約: 我々は、ディープ畳み込みニューラルネットワーク(DCNN)の最適化目的として、報奨金損失(RPDL)関数を提案する。 RPDLは、DCNNが共通領域を拡大し、外部領域をペナルティ化することで、非共通セグメンテーションの学習を支援することができる。 実験の結果、RPDLはDCNNモデルの性能を最大18.4%向上させることがわかった。
• 参考スコア（独自算出の注目度）: 7.481722938212153
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semantic segmentation is one of the key problems in the field of computer vision, as it enables computer image understanding. However, most research and applications of semantic segmentation focus on addressing unique segmentation problems, where there is only one gold standard segmentation result for every input image. This may not be true in some problems, e.g., medical applications. We may have non-unique segmentation annotations as different surgeons may perform successful surgeries for the same patient in slightly different ways. To comprehensively learn non-unique segmentation tasks, we propose the reward-penalty Dice loss (RPDL) function as the optimization objective for deep convolutional neural networks (DCNN). RPDL is capable of helping DCNN learn non-unique segmentation by enhancing common regions and penalizing outside ones. Experimental results show that RPDL improves the performance of DCNN models by up to 18.4% compared with other loss functions on our collected surgical dataset.
• Abstract（参考訳）: セマンティックセグメンテーションはコンピュータビジョンの分野における重要な問題の一つであり、コンピュータ画像の理解を可能にする。 しかしながら、セマンティックセグメンテーションのほとんどの研究と応用は、入力画像毎に金の標準セグメンテーション結果が1つしかないユニークなセグメンテーション問題に対処することに焦点を当てている。 これは医学的応用などいくつかの問題では当てはまらない。 異なる外科医が同じ患者に対して,少し異なる方法で手術を成功させる可能性があるため,特異なセグメンテーションアノテーションが得られうる。 非単調なセグメンテーションタスクを包括的に学習するために,深層畳み込みニューラルネットワーク(dcnn)の最適化目標としてrpdl関数を提案する。 RPDLは、DCNNが共通領域を拡大し、外部領域をペナルティ化することで、非共通セグメンテーションの学習を支援する。 実験の結果, RPDLは, 手術データセットの他の損失関数と比較して, DCNNモデルの性能を最大18.4%向上させることがわかった。

関連論文リスト

• Semantic segmentation of surgical hyperspectral images under geometric domain shifts [69.91792194237212]
  本稿では、幾何学的アウト・オブ・ディストリビューション(OOD)データの存在下で、最先端のセマンティックセグメンテーションネットワークを初めて分析する。 有機移植(Organ transplantation)と呼ばれる専用の拡張技術により、一般化可能性にも対処する。 提案手法は,SOA DSCの最大67 % (RGB) と90% (HSI) を改善し,実際のOODテストデータ上での分配内性能と同等の性能を示す。
  論文  参考訳（メタデータ） (2023-03-20T09:50:07Z)
• 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)
• 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)
• Min-Max Similarity: A Contrastive Learning Based Semi-Supervised Learning Network for Surgical Tools Segmentation [0.0]
  コントラスト学習に基づく半教師付きセグメンテーションネットワークを提案する。 従来の最先端技術とは対照的に、両視点トレーニングの対照的な学習形式を導入する。 提案手法は、最先端の半教師付きおよび完全教師付きセグメンテーションアルゴリズムを一貫して上回る。
  論文  参考訳（メタデータ） (2022-03-29T01:40:26Z)
• Data variation-aware medical image segmentation [0.0]
  我々は,この領域におけるこれまでの作業を改善するアプローチを提案する。 前立腺分画によるCTスキャンの実際の臨床データセットを用いた実験では,Diceおよび表面Dice係数の面で,いくつかのパーセンテージが向上した。
  論文  参考訳（メタデータ） (2022-02-24T13:35:34Z)
• Hierarchical Self-Supervised Learning for Medical Image Segmentation Based on Multi-Domain Data Aggregation [23.616336382437275]
  医用画像分割のための階層型自己監督学習(HSSL)を提案する。 まず、いくつかの医学的課題からデータセットを収集し、自己教師付きでネットワークを事前訓練し、最後にラベル付きデータに微調整します。 スクラッチから学習するのに比べ、新しい手法は様々なタスクにおいてより良いパフォーマンスをもたらす。
  論文  参考訳（メタデータ） (2021-07-10T18:17:57Z)
• Segmentation with Multiple Acceptable Annotations: A Case Study of Myocardial Segmentation in Contrast Echocardiography [12.594060034146125]
  我々は,複数の受理基底真理が利用できる場合にセグメント化性能を評価するために,新たな拡張Diceを提案する。 次に、ニューラルネットが心筋の一般的な特徴を学習できるように、新たな指標を損失関数にさらに組み込むことで、第2の問題を解決する。 臨床MCEデータセットの実験結果から,提案した損失関数を用いてトレーニングしたニューラルネットワークは,既存のニューラルネットワーク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） (2021-06-29T17:32:24Z)
• Towards Robust Partially Supervised Multi-Structure Medical Image Segmentation on Small-Scale Data [123.03252888189546]
  データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。 マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。 本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
  論文  参考訳（メタデータ） (2020-11-28T16:31:00Z)
• Towards Cross-modality Medical Image Segmentation with Online Mutual Knowledge Distillation [71.89867233426597]
  本稿では,あるモダリティから学習した事前知識を活用し,別のモダリティにおけるセグメンテーション性能を向上させることを目的とする。 モーダル共有知識を徹底的に活用する新しい相互知識蒸留法を提案する。 MMWHS 2017, MMWHS 2017 を用いた多クラス心筋セグメンテーション実験の結果, CT セグメンテーションに大きな改善が得られた。
  論文  参考訳（メタデータ） (2020-10-04T10:25:13Z)
• 3D medical image segmentation with labeled and unlabeled data using autoencoders at the example of liver segmentation in CT images [58.720142291102135]
  本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。 コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
  論文  参考訳（メタデータ） (2020-03-17T20:20:43Z)
• Observer variation-aware medical image segmentation by combining deep learning and surrogate-assisted genetic algorithms [0.0]
  セグメンテーションの異なるスタイルを模倣できるアプローチを提案する。 我々のアプローチは、全データでトレーニングされた1つのネットワークと比較して、Diceおよび表面Dice係数の最大23%の改善を提供する。
  論文  参考訳（メタデータ） (2020-01-23T14:51:40Z)

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。