論文の概要: Atlas-ISTN: Joint Segmentation, Registration and Atlas Construction with Image-and-Spatial Transformer Networks

• arxiv url: http://arxiv.org/abs/2012.10533v1
• Date: Fri, 18 Dec 2020 21:53:09 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-01 18:02:17.923774
• Title: Atlas-ISTN: Joint Segmentation, Registration and Atlas Construction with Image-and-Spatial Transformer Networks
• Title（参考訳）: Atlas-ISTN: Image-and-Spatial Transformer Networksによる関節分割・登録・アトラス構築
• Authors: Matthew Sinclair and Andreas Schuh and Karl Hahn and Kersten Petersen and Ying Bai and James Batten and Michiel Schaap and Ben Glocker
• Abstract要約: 本研究では,2次元および3次元画像データのセグメンテーションと登録を共同で学習するフレームワークであるAtlas-ISTNを提案する。 Atlas-ISTNは、関心の複数の構造をセグメンテーションし、構成された位相的に整合したアトラスラベルマップを中間画素のセグメンテーションに登録する。 このプロセスは、ターゲット画像のノイズを緩和し、刺激的なピクセルワイズ予測をもたらすとともに、モデルのワンパス予測を改善する。
• 参考スコア（独自算出の注目度）: 11.677800377183972
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning models for semantic segmentation are able to learn powerful representations for pixel-wise predictions, but are sensitive to noise at test time and do not guarantee a plausible topology. Image registration models on the other hand are able to warp known topologies to target images as a means of segmentation, but typically require large amounts of training data, and have not widely been benchmarked against pixel-wise segmentation models. We propose Atlas-ISTN, a framework that jointly learns segmentation and registration on 2D and 3D image data, and constructs a population-derived atlas in the process. Atlas-ISTN learns to segment multiple structures of interest and to register the constructed, topologically consistent atlas labelmap to an intermediate pixel-wise segmentation. Additionally, Atlas-ISTN allows for test time refinement of the model's parameters to optimize the alignment of the atlas labelmap to an intermediate pixel-wise segmentation. This process both mitigates for noise in the target image that can result in spurious pixel-wise predictions, as well as improves upon the one-pass prediction of the model. Benefits of the Atlas-ISTN framework are demonstrated qualitatively and quantitatively on 2D synthetic data and 3D cardiac computed tomography and brain magnetic resonance image data, out-performing both segmentation and registration baseline models. Atlas-ISTN also provides inter-subject correspondence of the structures of interest, enabling population-level shape and motion analysis.
• Abstract（参考訳）: セマンティックセグメンテーションのためのディープラーニングモデルは、ピクセルワイズ予測のための強力な表現を学習することができるが、テスト時のノイズに敏感であり、妥当なトポロジを保証しない。 一方、画像登録モデルは、既知のトポロジを、セグメンテーションの手段としてターゲット画像にワープすることができるが、通常は大量のトレーニングデータを必要とし、ピクセルワイドセグメンテーションモデルに対して広くベンチマークされていない。 本研究では,2次元画像データと3次元画像データのセグメンテーションと登録を共同で学習するフレームワークであるAtlas-ISTNを提案する。 Atlas-ISTNは、複数の関心構造をセグメンテーションし、構成された位相的に整合したアトラスラベルマップを中間画素分割に登録する。 さらに、Atlas-ISTNはモデルパラメータのテスト時間改善を可能にし、アトラスのラベルマップを中間ピクセルワイドセグメンテーションに最適化する。 このプロセスは、ターゲット画像のノイズを緩和し、刺激的なピクセルワイズ予測をもたらすとともに、モデルのワンパス予測を改善する。 Atlas-ISTNフレームワークの利点は2次元合成データと3次元心電図および脳磁気共鳴画像データに定性的かつ定量的に示され、セグメンテーションと登録ベースラインモデルの両方に優れる。 Atlas-ISTNはまた、関心の構造のオブジェクト間対応を提供し、人口レベルの形状と運動分析を可能にする。

関連論文リスト

• CSP: Self-Supervised Contrastive Spatial Pre-Training for Geospatial-Visual Representations [90.50864830038202]
  ジオタグ付き画像の自己教師型学習フレームワークであるContrastive Spatial Pre-Training(CSP)を提案する。 デュアルエンコーダを用いて画像とその対応する位置情報を別々に符号化し、コントラスト目的を用いて画像から効果的な位置表現を学習する。 CSPは、様々なラベル付きトレーニングデータサンプリング比と10～34%の相対的な改善で、モデル性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2023-05-01T23:11:18Z)
• Spatial Correspondence between Graph Neural Network-Segmented Images [1.807691213023136]
  医用画像分割のためのグラフニューラルネットワーク(GNN)が提案されている。 本研究は,空間対応を確立するための共通トポロジを用いて,これらのGNNのポテンシャルについて検討する。 CT画像における局所椎体サブリージョンの登録例を例に,GNNをベースとしたセグメンテーションが正確かつ信頼性の高いローカライゼーションを実現することを示す実験結果を得た。
  論文  参考訳（メタデータ） (2023-03-12T03:25:01Z)
• Distilling Ensemble of Explanations for Weakly-Supervised Pre-Training of Image Segmentation Models [54.49581189337848]
  本稿では,分類データセットに基づく画像分割モデルのエンドツーエンド事前学習を可能にする手法を提案する。 提案手法は重み付きセグメンテーション学習法を利用して,重み付きセグメンテーションネットワークを事前訓練する。 実験の結果,ImageNetにソースデータセットとしてPSSLを伴って提案されたエンドツーエンドの事前トレーニング戦略が,さまざまなセグメンテーションモデルの性能向上に成功していることがわかった。
  論文  参考訳（メタデータ） (2022-07-04T13:02:32Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• Aladdin: Joint Atlas Building and Diffeomorphic Registration Learning with Pairwise Alignment [18.338563869053065]
  本研究では、畳み込みニューラルネットワーク(CNN)を用いて、アトラスと静止速度場(SVF)パラメータ化を共同で予測し、微分型画像登録を行う。 提案手法は,他の最先端画像登録アルゴリズムよりも性能がよいことを示す。
  論文  参考訳（メタデータ） (2022-02-07T23:52:21Z)
• A Topology-Attention ConvLSTM Network and Its Application to EM Images [11.081936935096873]
  本稿では3次元画像分割のための新しいTopologyAttention ConvLSTM Network(TACNet)を提案する。 具体的には,2次元画像スライスをスタックとして3次元画像を処理するSTA(Spatial Topology-Attention)モジュールを提案する。 スライス間でトポロジクリティカルな情報を効果的に伝達するために,Iterative-Topology Attention (ITA)モジュールを提案する。
  論文  参考訳（メタデータ） (2022-02-07T01:33:01Z)
• Group-Wise Semantic Mining for Weakly Supervised Semantic Segmentation [49.90178055521207]
  この研究は、画像レベルのアノテーションとピクセルレベルのセグメンテーションのギャップを埋めることを目標に、弱い監督されたセマンティックセグメンテーション(WSSS)に対処する。 画像群における意味的依存関係を明示的にモデル化し,より信頼性の高い擬似的基盤構造を推定する,新たなグループ学習タスクとしてWSSSを定式化する。 特に、入力画像がグラフノードとして表現されるグループ単位のセマンティックマイニングのためのグラフニューラルネットワーク(GNN)を考案する。
  論文  参考訳（メタデータ） (2020-12-09T12:40:13Z)
• Deep Active Learning for Joint Classification & Segmentation with Weak Annotator [22.271760669551817]
  クラスアクティベーションマップ(CAM)のようなCNNの可視化と解釈手法は、一般的に、クラス予測に関連する画像領域を強調するために使用される。 本稿では,画素レベルのアノテーションを段階的に統合する能動的学習フレームワークを提案する。 提案手法は, ランダムなサンプル選択を用いることで, 最先端のCAMやAL手法よりも優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2020-10-10T03:25:54Z)
• High-Order Information Matters: Learning Relation and Topology for Occluded Person Re-Identification [84.43394420267794]
  本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。 我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-03-18T12:18:35Z)
• 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)
• Self-Learning AI Framework for Skin Lesion Image Segmentation and Classification [0.0]
  深層学習モデルで医用画像セグメンテーションを行うには、アノテーションによる大規模な画像データセットのトレーニングが必要である。 この問題を解決するために,2段階のディープラーニングアルゴリズムにおいて自己学習アノテーションスキームが提案された。 提案されたAIフレームワークの分類結果は、トレーニング精度93.8%、テスト精度82.42%を達成した。
  論文  参考訳（メタデータ） (2020-01-04T09:31:11Z)

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。