論文の概要: Atlas-aware ConvNetfor Accurate yet Robust Anatomical Segmentation
- arxiv url: http://arxiv.org/abs/2102.01256v1
- Date: Tue, 2 Feb 2021 02:06:06 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-04 04:59:22.089374
- Title: Atlas-aware ConvNetfor Accurate yet Robust Anatomical Segmentation
- Title（参考訳）: アトラスアウェア ConvNetfor 正確かつロバストな解剖学的セグメンテーション
- Authors: Yuan Liang, Weinan Song, Jiawei Yang, Liang Qiu, Kun Wang, Lei He
- Abstract要約: 本稿では、確率論的アトラス事前を予測の明示的な制約として組み込んだ完全な畳み込み制約導入モジュール(CAM)を紹介する。
このようなアトラス前駆体融合の利点は2つの脳パーセレーションタスクで2倍になることを示す。
提案手法は,CAMを微調整し,精度とロバスト性の向上を図ることで,既存のConvNetに容易に適用できることを示唆している。
- 参考スコア（独自算出の注目度）: 14.187615351160021
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Convolutional networks (ConvNets) have achieved promising accuracy for
various anatomical segmentation tasks. Despite the success, these methods can
be sensitive to data appearance variations. Considering the large variability
of scans caused by artifacts, pathologies, and scanning setups, robust ConvNets
are vital for clinical applications, while have not been fully explored. In
this paper, we propose to mitigate the challenge by enabling ConvNets'
awareness of the underlying anatomical invariances among imaging scans.
Specifically, we introduce a fully convolutional Constraint Adoption Module
(CAM) that incorporates probabilistic atlas priors as explicit constraints for
predictions over a locally connected Conditional Random Field (CFR), which
effectively reinforces the anatomical consistency of the labeling outputs. We
design the CAM to be flexible for boosting various ConvNet, and compact for
co-optimizing with ConvNets for fusion parameters that leads to the optimal
performance. We show the advantage of such atlas priors fusion is two-fold with
two brain parcellation tasks. First, our models achieve state-of-the-art
accuracy among ConvNet-based methods on both datasets, by significantly
reducing structural abnormalities of predictions. Second, we can largely boost
the robustness of existing ConvNets, proved by: (i) testing on scans with
synthetic pathologies, and (ii) training and evaluation on scans of different
scanning setups across datasets. Our method is proposing to be easily adopted
to existing ConvNets by fine-tuning with CAM plugged in for accuracy and
robustness boosts.
- Abstract（参考訳）: 畳み込みネットワーク(ConvNets)は、様々な解剖学的セグメンテーションタスクの有望な精度を達成しました。
成功にもかかわらず、これらの手法はデータの出現変動に敏感である。
アーティファクト,病理,スキャン設定によるスキャンの大きな変動を考えると,ロバストなConvNetは臨床応用には不可欠だが,十分に調査されていない。
本稿では,画像スキャン中の解剖学的不均一性に対するconvnetの認識を可能にすることで,課題を軽減することを提案する。
具体的には,局所接続条件付き確率場(cfr)上の予測に対する明示的な制約として確率的アトラス前置法を組み込んだ完全畳み込み制約導入モジュール(cam)を導入し,ラベリング出力の解剖学的一貫性を効果的に強化する。
さまざまなConvNetのブーストに柔軟に対応できるCAMを設計し、最適な性能につながるフュージョンパラメータをConvNetとの共同最適化にコンパクトにします。
このようなアトラス前駆体融合の利点は2つの脳パーセレーションタスクで2倍になることを示す。
まず,予測の構造的異常を著しく低減し,両データセットのConvNetに基づく手法間の最先端の精度を実現する。
第2に、既存のconvnetのロバスト性を大きく向上させることができる。(i) 合成病理によるスキャンのテスト、(ii) データセットをまたいだ異なるスキャンセットアップのスキャンのトレーニングと評価。
提案手法は,CAMを微調整し,精度とロバスト性の向上を図ることで,既存のConvNetに容易に適用できることを示唆している。
関連論文リスト
- CAVE: Classifying Abnormalities in Video Capsule Endoscopy [0.1937002985471497]
本研究では,複雑な画像データセットの分類精度を向上させるために,アンサンブルに基づくアプローチを検討する。
各モデルのユニークな特徴抽出機能を活用し、全体的な精度を向上させる。
実験により、アンサンブルは難易度と不均衡度の高いクラス間で高い精度と堅牢性を達成することが示された。
論文 参考訳（メタデータ） (2024-10-26T17:25:08Z) - A Closer Look at Spatial-Slice Features Learning for COVID-19 Detection [8.215897530386343]
我々は,CTスキャンに特化して設計されたSpatial-Slice Feature Learning (SSFL++) フレームワークを提案する。
本研究の目的は,全CTスキャンでOODデータをフィルタリングし,70%の冗長性を完全に低減し,解析のための重要な空間スライスを選択することである。
実験では、トレーニングデータの1%しか持たない単純なE2D(EfficientNet-2D)モデルを用いて、我々のモデルの有望な性能を実証した。
論文 参考訳（メタデータ） (2024-04-02T05:19:27Z) - Simple 2D Convolutional Neural Network-based Approach for COVID-19 Detection [8.215897530386343]
本研究では,肺CT画像解析におけるディープラーニング技術の利用について検討した。
我々は,CTスキャンに適した高度な空間スライス特徴学習(SSFL++)フレームワークを提案する。
本研究の目的は,CTスキャン全体のアウト・オブ・ディストリビューション(OOD)データをフィルタリングし,データ冗長性を70%削減して解析に不可欠な空間スライス特徴を選択することである。
論文 参考訳（メタデータ） (2024-03-17T14:34:51Z) - Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。
これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。
我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
論文 参考訳（メタデータ） (2020-12-10T23:28:36Z) - 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) - COVID-19 Classification Using Staked Ensembles: A Comprehensive Analysis [0.0]
新型コロナウイルスは大量死亡率で増加し、WHOはパンデミックと宣言した。
効率的かつ迅速な診断が不可欠である。
逆転写ポリメラーゼ鎖反応(RTPCR)テストを行い、SARS-CoV-2の存在を検出する。
代わりに胸部CT(または胸部X線)を高速かつ正確な診断に用いることができる。
論文 参考訳（メタデータ） (2020-10-07T07:43:57Z) - DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。
我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。
皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
論文 参考訳（メタデータ） (2020-08-19T06:02:46Z) - Collaborative Boundary-aware Context Encoding Networks for Error Map
Prediction [65.44752447868626]
本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。
具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。
AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
論文 参考訳（メタデータ） (2020-06-25T12:42:01Z) - Boundary-assisted Region Proposal Networks for Nucleus Segmentation [89.69059532088129]
大量の核が混在しているため、機械学習モデルはうまく機能しない。
我々は、堅牢なインスタンスレベルの核分割を実現する境界支援領域提案ネットワーク(BRP-Net)を考案する。
論文 参考訳（メタデータ） (2020-06-04T08:26:38Z) - Searching Central Difference Convolutional Networks for Face
Anti-Spoofing [68.77468465774267]
顔認識システムにおいて、顔の反偽造(FAS)が重要な役割を担っている。
最先端のFASメソッドの多くは、スタック化された畳み込みと専門家が設計したネットワークに依存している。
ここでは、中央差分畳み込み(CDC)に基づくフレームレベルの新しいFAS手法を提案する。
論文 参考訳（メタデータ） (2020-03-09T12:48:37Z)
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。