Fugu-MT 論文翻訳(概要): Reducing Textural Bias Improves Robustness of Deep Segmentation CNNs

論文の概要: Reducing Textural Bias Improves Robustness of Deep Segmentation CNNs

arxiv url: http://arxiv.org/abs/2011.15093v1
Date: Mon, 30 Nov 2020 18:29:53 GMT
ステータス: 処理完了
システム内更新日: 2021-06-06 14:35:08.793081
Title: Reducing Textural Bias Improves Robustness of Deep Segmentation CNNs
Title（参考訳）: ディープセグメンテーションCNNのロバスト性を改善するテクスチャバイアス低減
Authors: Seoin Chai, Daniel Rueckert, Ahmed E. Fetit
Abstract要約: 自然画像の最近の知見は、深いニューラルモデルは、画像分類タスクを実行する際に、テクスチャバイアスを示す可能性があることを示唆している。本研究の目的は, 深いセグメンテーションモデルの堅牢性と伝達性を高めるために, テクスチャバイアス現象に対処する方法を検討することである。
参考スコア（独自算出の注目度）: 8.736194193307451
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Despite current advances in deep learning, domain shift remains a common problem in medical imaging settings. Recent findings on natural images suggest that deep neural models can show a textural bias when carrying out image classification tasks, which goes against the common understanding of convolutional neural networks (CNNs) recognising objects through increasingly complex representations of shape. This study draws inspiration from recent findings on natural images and aims to investigate ways in which addressing the textural bias phenomenon could be used to bring up the robustness and transferability of deep segmentation models when applied to three-dimensional (3D) medical data. To achieve this, publicly available MRI scans from the Developing Human Connectome Project are used to investigate ways in which simulating textural noise can help train robust models in a complex segmentation task. Our findings illustrate how applying specific types of textural filters prior to training the models can increase their ability to segment scans corrupted by previously unseen noise.
Abstract（参考訳）: ディープラーニングの進歩にもかかわらず、医療画像設定ではドメインシフトが一般的な問題である。自然画像の最近の知見は、深層ニューラルネットワークは画像分類タスクを実行する際に、ますます複雑な形状表現を通じて物体を認識する畳み込みニューラルネットワーク(CNN)の共通理解に反する、テクスチャバイアスを示す可能性があることを示唆している。本研究では,自然画像に関する最近の知見から着想を得て,三次元3次元医療データに適用した場合の深部セグメンテーションモデルのロバスト性と伝達性を実現するために,テクスチャバイアス現象に対処する方法を検討することを目的としている。これを実現するために、Development Human Connectome Projectから公開されているMRIスキャンを使用して、複雑なセグメンテーションタスクで堅牢なモデルをトレーニングするのに役立つテクスチャノイズをシミュレートする方法を調査する。本研究は, 学習前に特定の種類のテクスチャフィルタを適用することで, 従来見えなかった雑音によるスキャンのセグメント化能力を高めることができることを示す。

関連論文リスト

ShapeMamba-EM: Fine-Tuning Foundation Model with Local Shape Descriptors and Mamba Blocks for 3D EM Image Segmentation [49.42525661521625]
本稿では3次元EMセグメンテーションのための特殊微調整法であるShapeMamba-EMを提案する。 5つのセグメンテーションタスクと10のデータセットをカバーする、幅広いEMイメージでテストされている。
論文参考訳（メタデータ） (2024-08-26T08:59:22Z)
μ-Net: A Deep Learning-Based Architecture for μ-CT Segmentation [2.012378666405002]
X線計算マイクロトモグラフィー(mu-CT)は、医学および生物学的サンプルの内部解剖の高解像度な3D画像を生成する非破壊的手法である。 3D画像から関連情報を抽出するには、興味のある領域のセマンティックセグメンテーションが必要である。本稿では、畳み込みニューラルネットワーク(CNN)を用いて、Carassius auratusの心臓の完全な形態を自動分割する新しいフレームワークを提案する。
論文参考訳（メタデータ） (2024-06-24T15:29:08Z)
Artifact Reduction in 3D and 4D Cone-beam Computed Tomography Images with Deep Learning -- A Review [0.0]
コーンビームCT(CBCT)における画像品質向上のための深層学習技術本稿では,3次元のアーティファクトの削減に成功している深層学習技術の概要と,時間分解(4D)CBCTについて概説する。この研究の重要な発見の1つは、GANやスコアベース、拡散モデルを含む生成モデルの利用に向けた観測傾向である。
論文参考訳（メタデータ） (2024-03-27T13:46:01Z)
Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。最初はFlyTracingという名前のデータセットを構築しました。本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
論文参考訳（メタデータ） (2024-01-05T19:45:12Z)
Retinal OCT Synthesis with Denoising Diffusion Probabilistic Models for Layer Segmentation [2.4113205575263708]
本稿では,拡散確率モデル(DDPM)を用いて網膜光コヒーレンス断層撮影(OCT)画像を自動的に生成する画像合成手法を提案する。階層分割の精度を一貫して改善し,様々なニューラルネットワークを用いて検証する。これらの結果から,網膜CT画像の手動アノテーションの必要性が軽減される可能性が示唆された。
論文参考訳（メタデータ） (2023-11-09T16:09:24Z)
Disruptive Autoencoders: Leveraging Low-level features for 3D Medical Image Pre-training [51.16994853817024]
本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2023-07-31T17:59:42Z)
Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
論文参考訳（メタデータ） (2022-04-09T13:04:36Z)
Feature visualization for convolutional neural network models trained on neuroimaging data [0.0]
畳み込みニューラルネットワーク(CNN)の機能可視化による最初の結果を示す。我々は、MRIデータに基づく性分類や人為的病変分類など、さまざまなタスクのためにCNNを訓練した。得られた画像は、その形状を含む人工的な病変の学習概念を明らかにするが、性分類タスクにおける抽象的な特徴を解釈することは困難である。
論文参考訳（メタデータ） (2022-03-24T15:24:38Z)
Morphological Operation Residual Blocks: Enhancing 3D Morphological Feature Representation in Convolutional Neural Networks for Semantic Segmentation of Medical Images [0.8594140167290099]
本研究では,畳み込みニューラルネットワークにおける形態素演算を無限に強い先行として組み込んだ新しいネットワークブロックアーキテクチャを提案する。提案する形態的操作ブロックを用いた3次元ディープラーニングモデルを構築し, 異なる医用画像分割タスクで比較した。
論文参考訳（メタデータ） (2021-03-06T04:41:37Z)
Continuous Emotion Recognition with Spatiotemporal Convolutional Neural Networks [82.54695985117783]
In-theld でキャプチャした長いビデオシーケンスを用いて,持続的な感情認識のための最先端のディープラーニングアーキテクチャの適合性を検討する。我々は,2D-CNNと長期記憶ユニットを組み合わせた畳み込みリカレントニューラルネットワークと,2D-CNNモデルの微調整時の重みを膨らませて構築した膨らませた3D-CNNモデルを開発した。
論文参考訳（メタデータ） (2020-11-18T13:42:05Z)
Interpretation of 3D CNNs for Brain MRI Data Classification [56.895060189929055]
T1脳MRIにおける拡散テンソル画像の男女差について,これまでの知見を拡張した。ボクセルの3次元CNN解釈を3つの解釈法の結果と比較する。
論文参考訳（メタデータ） (2020-06-20T17:56:46Z)

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。