論文の概要: Learning Euler's Elastica Model for Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2011.00526v1
- Date: Sun, 1 Nov 2020 15:14:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-30 23:47:26.199590
- Title: Learning Euler's Elastica Model for Medical Image Segmentation
- Title（参考訳）: 医用画像分割のためのEulerのElasticaモデル学習
- Authors: Xu Chen and Xiangde Luo and Yitian Zhao and Shaoting Zhang and Guotai
Wang and Yalin Zheng
- Abstract要約: 本稿では,画像分割作業の幾何学的制約として,弾性(曲率と長さ)と領域情報を組み込んだ新しい能動輪郭を提案する。
提案した損失関数は,異なるセグメンテーションネットワーク上での他の主流損失関数よりも優れていた。
- 参考スコア（独自算出の注目度）: 28.638720771555914
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Image segmentation is a fundamental topic in image processing and has been
studied for many decades. Deep learning-based supervised segmentation models
have achieved state-of-the-art performance but most of them are limited by
using pixel-wise loss functions for training without geometrical constraints.
Inspired by Euler's Elastica model and recent active contour models introduced
into the field of deep learning, we propose a novel active contour with
elastica (ACE) loss function incorporating Elastica (curvature and length) and
region information as geometrically-natural constraints for the image
segmentation tasks. We introduce the mean curvature i.e. the average of all
principal curvatures, as a more effective image prior to representing curvature
in our ACE loss function. Furthermore, based on the definition of the mean
curvature, we propose a fast solution to approximate the ACE loss in
three-dimensional (3D) by using Laplace operators for 3D image segmentation. We
evaluate our ACE loss function on four 2D and 3D natural and biomedical image
datasets. Our results show that the proposed loss function outperforms other
mainstream loss functions on different segmentation networks. Our source code
is available at https://github.com/HiLab-git/ACELoss.
- Abstract（参考訳）: イメージセグメンテーションは画像処理の基本的なトピックであり、数十年にわたって研究されてきた。
ディープラーニングに基づく教師付きセグメンテーションモデルは最先端のパフォーマンスを達成しているが,そのほとんどは,幾何学的制約を伴わないトレーニングに画素分割損失関数を使用することによって制限されている。
ディープラーニング分野に導入されたEulerのElasticaモデルと最近のアクティブな輪郭モデルに着想を得て,画像分割タスクの幾何学的自然制約としてElastica(曲率と長さ)と領域情報を組み込んだ,ACE損失関数付きアクティブな輪郭を提案する。
我々は、ACE損失関数における曲率を表す前に、すべての主曲率の平均を、より効果的な画像として紹介する。
さらに, 平均曲率の定義に基づき, 3次元画像分割のためのラプラス演算子を用いて3次元3次元のace損失を近似する高速解を提案する。
4つの2次元および3次元の自然および生体画像データセット上でACE損失関数を評価する。
提案した損失関数は,異なるセグメンテーションネットワーク上での他の主流損失関数よりも優れていた。
ソースコードはhttps://github.com/hilab-git/acelossで入手できます。
関連論文リスト
- Geometric Algebra Planes: Convex Implicit Neural Volumes [70.12234371845445]
GA-Planes はスパース低ランク係数と低分解能行列と等価であることを示す。
また,GA-Planeは既存の表現にも適用可能であることを示す。
論文 参考訳（メタデータ） (2024-11-20T18:21:58Z) - PICS in Pics: Physics Informed Contour Selection for Rapid Image
Segmentation [0.05251974546677281]
ラベル付きデータに頼らずに高速な画像分割のための物理インフォームド・コンター選択(PICS)を導入する。
PICSは物理インフォームドニューラルネットワーク(PINN)とスネークと呼ばれる活発な輪郭モデルからインスピレーションを得ている。
ベース関数としてディープニューラルネットワークの代わりに立方体スプラインを使用するため、高速で計算的に軽量である。
従来のエッジベースの損失関数ではなく、地域ベースの損失関数を最小化する最初のヘビ変種である。
論文 参考訳（メタデータ） (2023-11-13T01:03:19Z) - NeuroGF: A Neural Representation for Fast Geodesic Distance and Path
Queries [77.04220651098723]
本稿では,ニューラル暗黙関数を用いた3次元メッシュモデル上での測地線表現の試みについて述べる。
具体的には、与えられたメッシュの全対測地線を表現するために学習されたニューロ測地場(NeuroGF)を紹介する。
NeuroGFは、単一ソースのオールデスティネーション(SSAD)とポイント・ツー・ポイントの測地学を解く上で、非常に優れた性能を示す。
論文 参考訳（メタデータ） (2023-06-01T13:32:21Z) - Euler Characteristic Transform Based Topological Loss for Reconstructing
3D Images from Single 2D Slices [9.646922337783137]
オイラー特性変換に基づく新しい位相損失関数を提案する。
この損失は、任意のニューラルネットワークの、限られたデータの状態におけるより良い再構築に向けた最適化を支援するために、誘導バイアスとして使用できる。
現状の形状復元モデルであるSHAPRに組み込んだ損失関数の有効性を示す。
論文 参考訳（メタデータ） (2023-03-08T02:12:17Z) - Improving Image co-segmentation via Deep Metric Learning [1.5076964620370268]
本稿では,IS-Triplet Los for Shortという,画像のトリプレットロスを新たに提案し,従来の画像分割損失と組み合わせた。
提案手法を画像共同分割に適用し,SBCosegデータセットとインターネットデータセット上でテストする。
論文 参考訳（メタデータ） (2021-03-19T07:30:42Z) - Self-supervised Geometric Perception [96.89966337518854]
自己教師付き幾何知覚(self-supervised geometric perception)は、基底幾何モデルラベルなしで対応マッチングのための特徴記述子を学ぶためのフレームワークである。
また,SGPは,地上トラスラベルを用いて訓練した教師付きオークルよりも同等か優れる最先端性能を達成できることを示す。
論文 参考訳（メタデータ） (2021-03-04T15:34:43Z) - Image Restoration by Deep Projected GSURE [115.57142046076164]
Ill-posed inverse problem は、デブロアリングや超解像など、多くの画像処理アプリケーションに現れる。
本稿では,一般化されたSteinUnbiased Risk Estimator(GSURE)の「投影変換」とCNNによる潜在画像のパラメータ化を含む損失関数の最小化に基づく,新たな画像復元フレームワークを提案する。
論文 参考訳（メタデータ） (2021-02-04T08:52:46Z) - Offset Curves Loss for Imbalanced Problem in Medical Segmentation [15.663236378920637]
我々は,輪郭内領域と輪郭内領域の両方を考慮した新しい深層学習モデルを構築した。
提案するオフセット曲線(OsC)損失は3つの主要な適合項からなる。
提案したOsC損失を2次元ネットワークと3次元ネットワークの両方で評価した。
論文 参考訳（メタデータ） (2020-12-04T08:35:21Z) - Learning Deformable Tetrahedral Meshes for 3D Reconstruction [78.0514377738632]
学習に基づく3次元再構成に対応する3次元形状表現は、機械学習とコンピュータグラフィックスにおいてオープンな問題である。
ニューラル3D再構成に関するこれまでの研究は、利点だけでなく、ポイントクラウド、ボクセル、サーフェスメッシュ、暗黙の関数表現といった制限も示していた。
Deformable Tetrahedral Meshes (DefTet) を, ボリューム四面体メッシュを再構成問題に用いるパラメータ化として導入する。
論文 参考訳（メタデータ） (2020-11-03T02:57:01Z) - An Elastic Interaction-Based Loss Function for Medical Image
Segmentation [10.851295591782538]
本稿では,医用画像セグメンテーションのための長距離弾性相互作用に基づくトレーニング戦略を提案する。
この戦略において、CNNは予測領域の境界と実際の物体の境界との間の弾性相互作用エネルギーの誘導の下で対象領域を学習する。
実験結果から,本手法は一般的に用いられている画素単位の損失関数と比較して,大幅な改善が可能であることが示された。
論文 参考訳（メタデータ） (2020-07-06T11:49:14Z) - Implicit Functions in Feature Space for 3D Shape Reconstruction and
Completion [53.885984328273686]
Implicit Feature Networks (IF-Nets) は連続的な出力を提供し、複数のトポロジを扱える。
IF-NetsはShapeNetにおける3次元オブジェクト再構成における先行作業よりも明らかに優れており、より正確な3次元人間の再構成が得られる。
論文 参考訳（メタデータ） (2020-03-03T11:14:29Z)
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。