論文の概要: Hierarchical Random Walker Segmentation for Large Volumetric Biomedical Data

• arxiv url: http://arxiv.org/abs/2103.09564v1
• Date: Wed, 17 Mar 2021 11:02:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-18 12:58:05.667643
• Title: Hierarchical Random Walker Segmentation for Large Volumetric Biomedical Data
• Title（参考訳）: 大規模バイオメディカルデータのための階層的ランダムウォーカーセグメンテーション
• Authors: Dominik Drees and Xiaoyi Jiang
• Abstract要約: 画像セグメンテーションのためのランダムウォーカー法は半自動画像セグメンテーションの一般的なツールである。 線形実行時間とメモリ要求は、サイズが増大する3dデータセットに非現実的に適用する。 サブ線形実行時間と一定メモリの複雑さを実現する階層型フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 4.974890682815778
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The random walker method for image segmentation is a popular tool for semi-automatic image segmentation, especially in the biomedical field. However, its linear asymptotic run time and memory requirements make application to 3D datasets of increasing sizes impractical. We propose a hierarchical framework that, to the best of our knowledge, is the first attempt to overcome these restrictions for the random walker algorithm and achieves sublinear run time and constant memory complexity. The method is evaluated on synthetic data and real data from current biomedical research, where high segmentation quality is quantitatively confirmed and visually observed, respectively. The incremental (i.e., interaction update) run time is demonstrated to be in seconds on a standard PC even for volumes of hundreds of Gigabytes in size. An implementation of the presented method is publicly available in version 5.2 of the widely used volume rendering and processing software Voreen (https://www.uni-muenster.de/Voreen/).
• Abstract（参考訳）: 画像セグメンテーションのためのランダムウォーカー法は、特に生体領域における半自動画像セグメンテーションの一般的なツールである。 しかし、その線形漸近的な実行時間とメモリ要件は、サイズが大きくなる3Dデータセットに適用することができない。 我々は、ランダムウォーカーアルゴリズムの制約を克服する最初の試みであり、サブリニア実行時間と一定のメモリ複雑性を達成するための階層的フレームワークを提案する。 本手法は, それぞれ高いセグメンテーション品質を定量的に確認し, 視覚的に観察する, 現生医学研究の合成データと実データに基づいて評価する。 インクリメンタルな(インタラクション更新)実行時間は、数百ギガバイトサイズのボリュームであっても、標準のPC上で秒単位であることが示されている。 提案手法の実装は、広く使われているボリュームレンダリングおよび処理ソフトウェアvoreen(https://www.uni-muenster.de/voreen/)のバージョン5.2で公開されている。

関連論文リスト

• An Accelerated Pipeline for Multi-label Renal Pathology Image Segmentation at the Whole Slide Image Level [3.4916828526000008]
  繰り返し計算処理を削減し,GPUを用いて予測を高速化するために,Omni-Segパイプラインの強化版を提案する。 提案手法の革新的なコントリビューションは2つある: 1) エンドツーエンドのスライドワイドマルチタスクセグメンテーション用にDockerがリリースされ、(2) パイプラインをGPU上にデプロイして予測を高速化する。
  論文  参考訳（メタデータ） (2023-05-23T23:07:53Z)
• 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)
• A Streaming Volumetric Image Generation Framework for Development and Evaluation of Out-of-Core Methods [4.974890682815778]
  本稿では,テスト(および地上真実)ボリュームデータを効率的に生成するアルゴリズムフレームワークを提案する。 提案アルゴリズムを解析し,提案手法を仮説的ベストケースベースライン法と実験的に比較する。 提案されたフレームワークの実装は、Vascusynthの修正版と実験的な評価に使用されるコードによってオンラインで利用可能である。
  論文  参考訳（メタデータ） (2021-12-18T00:00:48Z)
• Efficient Multi-Organ Segmentation Using SpatialConfiguration-Net with Low GPU Memory Requirements [8.967700713755281]
  本研究では,SpatialConfiguration-Net(SCN)に基づくマルチ組織セグメンテーションモデルを用いる。 セグメンテーションモデルのアーキテクチャを改良し,メモリフットプリントの削減を図った。 最後に、我々は最小限の推論スクリプトを実装し、実行時間と必要なGPUメモリの両方を最適化した。
  論文  参考訳（メタデータ） (2021-11-26T17:47:10Z)
• LiDAR-based Recurrent 3D Semantic Segmentation with Temporal Memory Alignment [0.0]
  本稿では,単一範囲の画像フレームを入力とする再帰セグメンテーションアーキテクチャ(RNN)を提案する。 私たちがテンポラルメモリアライメントと呼ぶアライメント戦略は、エゴモーションを使用して、フィーチャースペース内の連続フレーム間のメモリをテンポラリアライメントします。 2つの大規模データセットに対する提案手法の利点を実証し,いくつかの最先端手法と比較する。
  論文  参考訳（メタデータ） (2021-03-03T09:01:45Z)
• Generalize Ultrasound Image Segmentation via Instant and Plug & Play Style Transfer [65.71330448991166]
  ディープセグメンテーションモデルは、外観が不明な画像に一般化する。 モデルの再トレーニングは、高いレイテンシと複雑なパイプラインにつながる。 未知の外観変化下での堅牢なセグメンテーションのための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-01-11T05:45:30Z)
• HM4: Hidden Markov Model with Memory Management for Visual Place Recognition [54.051025148533554]
  自律運転における視覚的位置認識のための隠れマルコフモデルを提案する。 我々のアルゴリズムはHM$4$と呼ばれ、時間的ルックアヘッドを利用して、有望な候補画像をパッシブストレージとアクティブメモリ間で転送する。 固定被覆領域に対して一定の時間と空間推定が可能であることを示す。
  論文  参考訳（メタデータ） (2020-11-01T08:49:24Z)
• Weakly-supervised Learning For Catheter Segmentation in 3D Frustum Ultrasound [74.22397862400177]
  超音波を用いた新しいカテーテルセグメンテーション法を提案する。 提案手法は,1ボリュームあたり0.25秒の効率で最先端の性能を実現した。
  論文  参考訳（メタデータ） (2020-10-19T13:56:22Z)
• Image segmentation via Cellular Automata [58.86475603234583]
  我々は高解像度画像のセグメンテーションを成功させるセルオートマトンを設計し、訓練する。 私たちの最小のオートマトンは、複雑なセグメンテーションタスクを解決するために1万以下のパラメータを使用します。
  論文  参考訳（メタデータ） (2020-08-11T19:04:09Z)
• Semi-supervised Task-driven Data Augmentation for Medical Image Segmentation [9.499375648561001]
  教師付き学習ベースセグメンテーション法は、テスト時によく一般化するために、多くの注釈付きトレーニングデータを必要とする。 医療応用では、専門家から大量の注釈付きサンプルを取得するのに時間がかかり、費用がかかるため、そのようなデータセットのキュレーションは好ましくない。 本稿では,限定ラベル付きデータを用いた学習のためのタスク駆動型データ拡張手法を提案する。
  論文  参考訳（メタデータ） (2020-07-09T17:05:42Z)
• VerSe: A Vertebrae Labelling and Segmentation Benchmark for Multi-detector CT Images [121.31355003451152]
  大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。 本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
  論文  参考訳（メタデータ） (2020-01-24T21:09:18Z)

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。