論文の概要: NeRD: Neural Representation of Distribution for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2103.04020v1
• Date: Sat, 6 Mar 2021 03:45:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-10 16:26:19.602360
• Title: NeRD: Neural Representation of Distribution for Medical Image Segmentation
• Title（参考訳）: NeRD: 医用画像分割のための分布のニューラル表現
• Authors: Hang Zhang, Rongguang Wang, Jinwei Zhang, Chao Li, Gufeng Yang, Pascal Spincemaille, Thanh Nguyen, and Yi Wang
• Abstract要約: 畳み込みニューラルネットワーク(CNN)のモジュールであるNeRD(Neural Representation of Distribution)技術を紹介します。 NeRDは、基礎となる関数マッピングイメージ座標を特徴分布に最適化して特徴分布を推定する。 本稿では,特徴分布シフト問題による負の影響を補うことができる医用画像分割のためのエンドツーエンドディープラーニングモデルを提案する。
• 参考スコア（独自算出の注目度）: 9.87590182413582
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce Neural Representation of Distribution (NeRD) technique, a module for convolutional neural networks (CNNs) that can estimate the feature distribution by optimizing an underlying function mapping image coordinates to the feature distribution. Using NeRD, we propose an end-to-end deep learning model for medical image segmentation that can compensate the negative impact of feature distribution shifting issue caused by commonly used network operations such as padding and pooling. An implicit function is used to represent the parameter space of the feature distribution by querying the image coordinate. With NeRD, the impact of issues such as over-segmenting and missing have been reduced, and experimental results on the challenging white matter lesion segmentation and left atrial segmentation verify the effectiveness of the proposed method. The code is available via https://github.com/tinymilky/NeRD.
• Abstract（参考訳）: 本稿では,特徴分布に対する関数マッピング画像座標を最適化することにより,特徴分布を推定できる畳み込みニューラルネットワーク(CNN)モジュールであるNeRD(Neural Representation of Distribution)技術を紹介する。 NeRDを用いて,パディングやプーリングなどの一般的なネットワーク操作による特徴分布シフト問題の負の影響を補うことができる医療画像セグメンテーションのためのエンドツーエンドのディープラーニングモデルを提案する。 暗黙関数は、画像座標をクエリすることによって特徴分布のパラメータ空間を表すのに用いられる。 NeRDでは, オーバーセグメンテーションや欠落などの問題の影響が低減され, 難治性白質病変の分節化と左心房分節化に対する実験結果が提案手法の有効性を検証した。 コードはhttps://github.com/tinymilky/NeRDから入手できる。

関連論文リスト

• Learning local discrete features in explainable-by-design convolutional neural networks [0.0]
  本稿では,側方抑制機構に基づくCNN(Design-by-Design Convolutional Neural Network)を提案する。 このモデルは、残留または高密度のスキップ接続を持つ高精度CNNである予測器で構成されている。 観測を収集し,直接確率を計算することにより,隣接するレベルのモチーフ間の因果関係を説明することができる。
  論文  参考訳（メタデータ） (2024-10-31T18:39:41Z)
• Chan-Vese Attention U-Net: An attention mechanism for robust segmentation [7.159201285824689]
  標準CNNアーキテクチャによって与えられるセグメンテーションマスクをより正確に制御するために,Chan-Veseエネルギー最小化を用いた新しいアテンションゲートを提案する。 本研究により,ニューラルネットワークが保持する空間情報を関心領域で観測し,二分節分割における競合結果を得ることができた。
  論文  参考訳（メタデータ） (2023-06-28T11:00:57Z)
• Deep Graph Neural Networks via Posteriori-Sampling-based Node-Adaptive Residual Module [65.81781176362848]
  グラフニューラルネットワーク(GNN)は、近隣情報収集を通じてグラフ構造化データから学習することができる。 レイヤーの数が増えるにつれて、ノード表現は区別不能になり、オーバー・スムーシング(over-smoothing)と呼ばれる。 我々は,textbfPosterior-Sampling-based, Node-distinguish Residual Module (PSNR)を提案する。
  論文  参考訳（メタデータ） (2023-05-09T12:03:42Z)
• DINER: Disorder-Invariant Implicit Neural Representation [33.10256713209207]
  入射神経表現(INR)は、信号の属性を対応する座標の関数として特徴づける。 本稿では、従来のINRバックボーンにハッシュテーブルを付加することにより、障害不変な暗黙的神経表現(DINER)を提案する。
  論文  参考訳（メタデータ） (2022-11-15T03:34:24Z)
• Signal Processing for Implicit Neural Representations [80.38097216996164]
  Inlicit Neural Representation (INR)は、マルチ層パーセプトロンを介して連続したマルチメディアデータを符号化する。 既存の作業は、その離散化されたインスタンスの処理を通じて、そのような連続的な表現を操作する。 本稿では,INSP-Netと呼ばれる暗黙的ニューラル信号処理ネットワークを提案する。
  論文  参考訳（メタデータ） (2022-10-17T06:29:07Z)
• Distributional Gaussian Processes Layers for Out-of-Distribution Detection [18.05109901753853]
  ディープニューラルネットワークに依存する分布外検出モデルが、医用画像の領域シフトを検出するのに適しているかどうかは不明だ。 本稿では,ワッサーシュタイン2空間で動作するガウス過程を組み込んだ階層的畳み込みガウス過程に対するパラメータ効率のよいベイズ層を提案する。 我々の不確実性推定は、以前のベイズネットワークの能力を上回る分布外検出をもたらす。
  論文  参考訳（メタデータ） (2022-06-27T14:49:48Z)
• PSGR: Pixel-wise Sparse Graph Reasoning for COVID-19 Pneumonia Segmentation in CT Images [83.26057031236965]
  画像中の新型コロナウイルス感染領域セグメンテーションの長距離依存性のモデリングを強化するために,PSGRモジュールを提案する。 PSGRモジュールは不正確なピクセルからノードへの投影を回避し、グローバルな推論のために各ピクセル固有の情報を保存する。 このソリューションは、3つの公開データセット上の4つの広く使われているセグメンテーションモデルに対して評価されている。
  論文  参考訳（メタデータ） (2021-08-09T04:58:23Z)
• Rate Distortion Characteristic Modeling for Neural Image Compression [59.25700168404325]
  エンドツーエンドの最適化機能は、ニューラルイメージ圧縮(NIC)の優れた損失圧縮性能を提供する。 異なるモデルは、R-D空間の異なる点に到達するために訓練される必要がある。 深層ネットワークと統計モデルを用いてNICのR-D挙動を記述するために,本質的な数学的関数の定式化に努めている。
  論文  参考訳（メタデータ） (2021-06-24T12:23:05Z)
• Learning Fuzzy Clustering for SPECT/CT Segmentation via Convolutional Neural Networks [5.3123694982708365]
  QBSPECT(Quantitative bone single-photon emission Computed Tomography)は、平面骨シンチグラフィよりも骨転移をより定量的に評価する可能性を秘めています。 解剖学的領域-関心(ROI)のセグメント化は、まだ専門家による手動の記述に大きく依存しています。 本研究では,QBSPECT画像を病変,骨,背景に分割するための高速かつ堅牢な自動分割法を提案する。
  論文  参考訳（メタデータ） (2021-04-17T19:03:52Z)
• 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)
• Unsupervised Instance Segmentation in Microscopy Images via Panoptic Domain Adaptation and Task Re-weighting [86.33696045574692]
  病理組織像における教師なし核分割のためのCycle Consistency Panoptic Domain Adaptive Mask R-CNN(CyC-PDAM)アーキテクチャを提案する。 まず,合成画像中の補助的な生成物を除去するための核塗布機構を提案する。 第二に、ドメイン識別器を持つセマンティックブランチは、パンプトレベルのドメイン適応を実現するように設計されている。
  論文  参考訳（メタデータ） (2020-05-05T11:08:26Z)

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。