論文の概要: Comparing Deep Learning strategies for paired but unregistered
multimodal segmentation of the liver in T1 and T2-weighted MRI
- arxiv url: http://arxiv.org/abs/2101.06979v1
- Date: Mon, 18 Jan 2021 10:38:02 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-27 13:25:24.614037
- Title: Comparing Deep Learning strategies for paired but unregistered
multimodal segmentation of the liver in T1 and T2-weighted MRI
- Title(参考訳): T1およびT2強調MRIにおける肝のマルチモーダルセグメンテーションにおけるDeep Learning戦略の比較
- Authors: Vincent Couteaux, Mathilde Trintignac, Olivier Nempont, Guillaume
Pizaine, Anna Sesilia Vlachomitrou, Pierre-Jean Valette, Laurent Milot,
Isabelle Bloch
- Abstract要約: 我々は,T1とT2の重み付きMR画像におけるマルチモーダル肝セグメンテーションの問題点に対処する。
文献に記述されているいくつかの戦略とマルチタスクトレーニングの有無,事前登録の有無を比較した。
- 参考スコア(独自算出の注目度): 2.3345946613362045
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We address the problem of multimodal liver segmentation in paired but
unregistered T1 and T2-weighted MR images. We compare several strategies
described in the literature, with or without multi-task training, with or
without pre-registration. We also compare different loss functions
(cross-entropy, Dice loss, and three adversarial losses). All methods achieved
comparable performances with the exception of a multi-task setting that
performs both segmentations at once, which performed poorly.
- Abstract(参考訳): マルチモーダル肝セグメンテーションにおけるT1,T2強調MR画像の問題点について検討した。
文献に記述されているいくつかの戦略とマルチタスクトレーニングの有無,事前登録の有無を比較した。
また,異なる損失関数(クロスエントロピー,ダイス損失,3つの逆損失)を比較する。
全てのメソッドは、同時に両方のセグメンテーションを実行するマルチタスク設定を除いて、同等のパフォーマンスを達成した。
関連論文リスト
- SPOCKMIP: Segmentation of Vessels in MRAs with Enhanced Continuity using Maximum Intensity Projection as Loss [0.5224038339798621]
本研究は,MIP(Maximum Intensity Projection)を付加的な損失基準として用いたセグメンテーション品質の向上に焦点をあてる。
ラベルセグメンテーションのMIPを1つの(z軸)と3次元体積の複数の知覚可能な軸に組み込むことで2つの手法を提案する。
提案手法は血管の連続性を改善したセグメンテーションを生成し,ROIの視覚的検査で明らかである。
論文 参考訳(メタデータ) (2024-07-11T16:39:24Z) - Multi-task Learning To Improve Semantic Segmentation Of CBCT Scans Using
Image Reconstruction [0.8739101659113155]
マルチタスク学習によるCBCTの自動セグメンテーションの改善を目指す。
まず,形態素に基づく正規化を加えるためにマルチタスク学習を行う。
第2に、この再構築タスクを使用して、最高のCBCTを再構築する。
論文 参考訳(メタデータ) (2023-12-20T12:48:18Z) - Multi-task Learning for Optical Coherence Tomography Angiography (OCTA)
Vessel Segmentation [1.7539061565898157]
本稿では,OCTA-MTLと呼ばれる,OCTAセグメンテーションのためのマルチタスク学習手法を提案する。
適応的損失結合戦略は、各タスクの平均損失値の逆数に応じて損失重量を動的に調整する。
ROSE-2データセットのセグメンテーション性能を2つのベースライン法と比較して評価した。
論文 参考訳(メタデータ) (2023-11-03T23:10:56Z) - Scaling Multimodal Pre-Training via Cross-Modality Gradient
Harmonization [68.49738668084693]
自己教師付き事前学習は、最近、大規模マルチモーダルデータで成功している。
クロスモダリティアライメント(CMA)は、弱くノイズの多い監視である。
CMAは、モダリティ間の衝突や偏見を引き起こす可能性がある。
論文 参考訳(メタデータ) (2022-11-03T18:12:32Z) - New Tight Relaxations of Rank Minimization for Multi-Task Learning [161.23314844751556]
2つの正規化項に基づく2つの新しいマルチタスク学習定式化を提案する。
本手法は,タスク間で共有される低ランク構造を正確に復元し,関連するマルチタスク学習方法より優れていることを示す。
論文 参考訳(メタデータ) (2021-12-09T07:29:57Z) - Modality Completion via Gaussian Process Prior Variational Autoencoders
for Multi-Modal Glioma Segmentation [75.58395328700821]
本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。
MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。
4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
論文 参考訳(メタデータ) (2021-07-07T19:06:34Z) - Multi-level Distance Regularization for Deep Metric Learning [20.178765779788492]
MDR(Multi-level Distance Regularization)と呼ばれる深度学習のための距離に基づく新しい正規化手法を提案する。
MDRは、埋め込みベクトル間のペアワイズ距離を複数のレベルに調整することで、学習手順を明示的に妨害する。
我々のMDRを簡単に採用することで、従来のアプローチは性能と一般化能力を向上させることができる。
論文 参考訳(メタデータ) (2021-02-08T14:16:07Z) - Universal Loss Reweighting to Balance Lesion Size Inequality in 3D
Medical Image Segmentation [50.63623720394348]
ネットワークの小さな病変の検出能力を高めるために,損失再重み付け手法を提案する。
Dice Loss, Focal Loss, Asymmetric similarity Lossなど,よく知られた損失関数に対する本手法の利点を報告する。
実験の結果, 逆重み付けは検出品質を著しく向上させる一方で, 最先端のデライン化品質を保っていることがわかった。
論文 参考訳(メタデータ) (2020-07-20T12:08:22Z) - Robust Multimodal Brain Tumor Segmentation via Feature Disentanglement
and Gated Fusion [71.87627318863612]
画像モダリティの欠如に頑健な新しいマルチモーダルセグメンテーションフレームワークを提案する。
我々のネットワークは、入力モードをモダリティ固有の外観コードに分解するために、特徴不整合を用いる。
我々は,BRATSチャレンジデータセットを用いて,重要なマルチモーダル脳腫瘍セグメンテーション課題に対する本手法の有効性を検証した。
論文 参考訳(メタデータ) (2020-02-22T14:32:04Z) - Unpaired Multi-modal Segmentation via Knowledge Distillation [77.39798870702174]
本稿では,不対向画像分割のための新しい学習手法を提案する。
提案手法では,CTおよびMRI間での畳み込みカーネルの共有により,ネットワークパラメータを多用する。
我々は2つの多クラスセグメンテーション問題に対するアプローチを広範囲に検証した。
論文 参考訳(メタデータ) (2020-01-06T20:03:17Z)
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。