論文の概要: High-level Prior-based Loss Functions for Medical Image Segmentation: A Survey

• arxiv url: http://arxiv.org/abs/2011.08018v2
• Date: Sun, 22 Nov 2020 22:16:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-24 23:49:58.326561
• Title: High-level Prior-based Loss Functions for Medical Image Segmentation: A Survey
• Title（参考訳）: 医用画像セグメンテーションにおける高レベル事前損失関数の検討
• Authors: Rosana El Jurdi, Caroline Petitjean, Paul Honeine, Veronika Cheplygina, Fahed Abdallah
• Abstract要約: 深層畳み込みニューラルネットワーク(CNN)は、監督された医用画像のセグメンテーションにおける技術性能の状態を実証している。 近年の研究は、解剖学的に妥当なセグメンテーションを強制するために、空間情報や事前知識を取り入れることに焦点を当てている。
• 参考スコア（独自算出の注目度）: 7.685715384001417
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Today, deep convolutional neural networks (CNNs) have demonstrated state of the art performance for supervised medical image segmentation, across various imaging modalities and tasks. Despite early success, segmentation networks may still generate anatomically aberrant segmentations, with holes or inaccuracies near the object boundaries. To mitigate this effect, recent research works have focused on incorporating spatial information or prior knowledge to enforce anatomically plausible segmentation. If the integration of prior knowledge in image segmentation is not a new topic in classical optimization approaches, it is today an increasing trend in CNN based image segmentation, as shown by the growing literature on the topic. In this survey, we focus on high level prior, embedded at the loss function level. We categorize the articles according to the nature of the prior: the object shape, size, topology, and the inter-regions constraints. We highlight strengths and limitations of current approaches, discuss the challenge related to the design and the integration of prior-based losses, and the optimization strategies, and draw future research directions.
• Abstract（参考訳）: 現在、深層畳み込みニューラルネットワーク(cnns)は、様々な画像モードやタスクにわたって、教師付き医用画像セグメンテーションにおける技術性能の状態を実証している。 初期の成功にもかかわらず、セグメンテーションネットワークは依然として解剖学的に異常なセグメンテーションを生成し、オブジェクト境界付近に穴や不正確さがある。 この効果を緩和するために、最近の研究は、解剖学的に妥当なセグメンテーションを強制するために空間情報や事前知識を取り入れることに焦点を当てている。 画像セグメンテーションにおける事前知識の統合が、古典的な最適化アプローチにおける新しいトピックではない場合、このトピックに関する文献が示すように、CNNベースの画像セグメンテーションの傾向が増している。 本調査では,損失関数のレベルに埋め込まれたハイレベル事前に焦点をあてる。 対象の形状,大きさ,トポロジ,地域間制約など,前者の性質に応じて項目を分類する。 我々は、現在のアプローチの強みと限界を強調し、事前の損失の設計と統合に関する課題と最適化戦略について議論し、今後の研究方向性を導き出す。

関連論文リスト

• Image Segmentation in Foundation Model Era: A Survey [99.19456390358211]
  イメージセグメンテーションにおける現在の研究は、これらの進歩に関連する特徴、課題、解決策の詳細な分析を欠いている。 本調査は、FM駆動画像セグメンテーションを中心とした最先端の研究を徹底的にレビューすることで、このギャップを埋めようとしている。 現在の研究成果の広さを包括する,300以上のセグメンテーションアプローチの概要を概観する。
  論文  参考訳（メタデータ） (2024-08-23T10:07:59Z)
• A Threefold Review on Deep Semantic Segmentation: Efficiency-oriented, Temporal and Depth-aware design [77.34726150561087]
  我々は、自動運転車のビジョンの文脈において、Deep Semanticの最も関連性があり最近の進歩について調査を行う。 私たちの主な目的は、それぞれの視点で直面している主要な方法、利点、制限、結果、課題に関する包括的な議論を提供することです。
  論文  参考訳（メタデータ） (2023-03-08T01:29:55Z)
• Mining Unseen Classes via Regional Objectness: A Simple Baseline for Incremental Segmentation [57.80416375466496]
  画像分類タスクにおいて、破滅的な忘れを緩和するために、増分的あるいは連続的な学習が広く研究されている。 本稿では,マイニングのための地域目的性(MicroSeg)を通した未確認クラスという,シンプルで効果的な手法を提案する。 われわれのMicroSegは、強い客観性を持つ背景領域が、歴史的または将来の段階においてそれらの概念に属するという仮定に基づいている。 このように、特徴空間における古い概念を特徴付ける分布は、背景シフトによる破滅的な忘れを軽減し、よりよく認識される。
  論文  参考訳（メタデータ） (2022-11-13T10:06:17Z)
• Medical Image Segmentation on MRI Images with Missing Modalities: A Review [3.9548535445908928]
  本研究の主な目的は、欠落したモダリティ補償ネットワークの性能評価を提供することである。 この問題のネガティブな影響を軽減するために、様々なアプローチが時間をかけて開発されてきた。
  論文  参考訳（メタデータ） (2022-03-11T19:33:26Z)
• Effect of Prior-based Losses on Segmentation Performance: A Benchmark [7.6857153840014165]
  深層畳み込みニューラルネットワーク(CNN)は、医用画像セグメンテーションの最先端のパフォーマンスを実証している。 近年の研究では、物体の形状や境界といった事前の知識を損失関数の制約として取り入れることに焦点が当てられている。 本稿では,最近の医用画像のセグメンテーションにおける先行的損失のベンチマークを確立する。
  論文  参考訳（メタデータ） (2022-01-07T12:27:48Z)
• Catalyzing Clinical Diagnostic Pipelines Through Volumetric Medical Image Segmentation Using Deep Neural Networks: Past, Present, & Future [0.0]
  本稿では,最先端(sota)ニューラルネットワークに基づくセグメンテーションアルゴリズムについて概説する。 また、効果的なディープラーニングベースのソリューションの臨床的意義を示す。
  論文  参考訳（メタデータ） (2021-03-27T19:05:11Z)
• A survey on shape-constraint deep learning for medical image segmentation [0.46023882211671957]
  畳み込みニューラルネットワークとその多くのバリエーションは、ディープラーニングベースの医療画像セグメンテーションの現代の風景を完全に変えました。 これらの手法のピクセルレベルの分類と回帰に対する過度の依存は、問題として早期に特定されている。 セグメンテーション結果が解剖学的に一貫性があることを確認するために、マルコフ/条件付きランダムフィールドに基づくアプローチは、統計的シェイプモデルがますます普及しています。
  論文  参考訳（メタデータ） (2021-01-19T16:52:10Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• 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)
• Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and Convolutional Neural Networks [68.96150598294072]
  未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。 網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。 近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。 本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。 提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
  論文  参考訳（メタデータ） (2020-04-03T14:07:41Z)

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。