論文の概要: Topology-Aware Segmentation Using Discrete Morse Theory
- arxiv url: http://arxiv.org/abs/2103.09992v1
- Date: Thu, 18 Mar 2021 02:47:21 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-20 04:57:29.969260
- Title: Topology-Aware Segmentation Using Discrete Morse Theory
- Title(参考訳): 離散モース理論を用いたトポロジー認識セグメンテーション
- Authors: Xiaoling Hu, Yusu Wang, Li Fuxin, Dimitris Samaras, Chao Chen
- Abstract要約: 深部画像セグメンテーションネットワークを訓練し、位相精度を向上させる新しい手法を提案する。
1次元骨格や2次元パッチなど,位相的精度に重要なグローバル構造を明らかにする。
多様なデータセットに対して,DICEスコアとトポロジカルメトリクスの両方で優れた性能を示す。
- 参考スコア(独自算出の注目度): 38.65353702366932
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the segmentation of fine-scale structures from natural and biomedical
images, per-pixel accuracy is not the only metric of concern. Topological
correctness, such as vessel connectivity and membrane closure, is crucial for
downstream analysis tasks. In this paper, we propose a new approach to train
deep image segmentation networks for better topological accuracy. In
particular, leveraging the power of discrete Morse theory (DMT), we identify
global structures, including 1D skeletons and 2D patches, which are important
for topological accuracy. Trained with a novel loss based on these global
structures, the network performance is significantly improved especially near
topologically challenging locations (such as weak spots of connections and
membranes). On diverse datasets, our method achieves superior performance on
both the DICE score and topological metrics.
- Abstract(参考訳): 自然画像および生物医学画像からの微細な構造区分では、ピクセル単位の精度が唯一の懸念指標ではない。
血管接続や膜閉鎖といったトポロジカルな正確性は下流分析作業に不可欠である。
本稿では,位相的精度を向上させるために,深層画像分割ネットワークの学習手法を提案する。
特に離散モース理論(dmt)の力を利用して、位相的精度に重要な1次元骨格や2次元パッチを含む大域的な構造を同定する。
これらのグローバル構造に基づく新たな損失で訓練されたネットワーク性能は、特に位相的に困難な場所(接続や膜が弱い点など)において著しく改善されている。
多様なデータセットに対して,DICEスコアとトポロジカルメトリクスの両方で優れた性能を示す。
関連論文リスト
- Active Neural Topological Mapping for Multi-Agent Exploration [24.91397816926568]
マルチエージェント協調探索問題では、複数のエージェントが限られた時間で感覚信号を介して見えない環境を探索する必要がある。
トポロジカルマップは、抽象的だが不可欠な情報を持つノードとエッジのみからなる、有望な代替手段である。
深層強化学習は、高速なエンドツーエンド推論を通じて(ほぼ)最適ポリシーを学ぶ大きな可能性を示している。
マルチエージェント探索作業における探索効率の向上と一般化を目的とした,Multi-Agent Neural Topological Mapping (MANTM)を提案する。
論文 参考訳(メタデータ) (2023-11-01T03:06:14Z) - Image Segmentation with Homotopy Warping [10.093435601073484]
位相的正しさは、微細な構造を持つ画像のセグメンテーションに不可欠である。
ディジタルトポロジの理論を活用することで、トポロジにとって重要な画像中の位置を特定する。
本稿では,位相的精度を向上させるために,深部画像分割ネットワークをトレーニングするための新たなホモトピーワーピング損失を提案する。
論文 参考訳(メタデータ) (2021-12-15T00:33:15Z) - TA-Net: Topology-Aware Network for Gland Segmentation [71.52681611057271]
本研究では, 密集した腺と高度に変形した腺を正確に分離する新しいトポロジ・アウェア・ネットワーク(TA-Net)を提案する。
TA-Netはマルチタスク学習アーキテクチャを持ち、腺セグメンテーションの一般化を強化する。
2つのデータセットで最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2021-10-27T17:10:58Z) - A persistent homology-based topological loss for CNN-based multi-class
segmentation of CMR [5.898114915426535]
心臓磁気共鳴(CMR)画像のマルチクラスセグメンテーションは、既知の構造と構成を持つ解剖学的構成要素にデータの分離を求める。
最も一般的なCNNベースの手法は、解剖を特徴付ける空間的に拡張された特徴を無視した画素ワイズ損失関数を用いて最適化されている。
これらのアプローチは、全てのクラスラベルとクラスラベルペアのリッチなトポロジカル記述を構築することで、マルチクラスセグメンテーションのタスクに拡張する。
論文 参考訳(メタデータ) (2021-07-27T09:21:38Z) - Residual Moment Loss for Medical Image Segmentation [56.72261489147506]
位置情報は,対象物体の多様体構造を捉えた深層学習モデルに有効であることが証明された。
既存のほとんどの手法は、ネットワークが学習するために、位置情報を暗黙的にエンコードする。
セグメント化対象の位置情報を明示的に埋め込むために,新しい損失関数,すなわち残差モーメント(RM)損失を提案する。
論文 参考訳(メタデータ) (2021-06-27T09:31:49Z) - Domain Adaptation by Topology Regularization [0.0]
ドメイン適応(DA)または転送学習(TL)は、ラベル付き(ソース)データセットから関心のある(ターゲット)データセットに知識を転送するアルゴリズムを可能にする。
本稿では,TLに永続ホモロジーと呼ばれる位相データ解析手法を適用し,グローバルなデータ構造を活用することを提案する。
論文 参考訳(メタデータ) (2021-01-28T16:45:41Z) - Topological obstructions in neural networks learning [67.8848058842671]
損失勾配関数フローのグローバル特性について検討する。
損失関数とそのモースコンプレックスの位相データ解析を用いて,損失面の大域的特性と勾配軌道に沿った局所的挙動を関連付ける。
論文 参考訳(メタデータ) (2020-12-31T18:53:25Z) - AM-GCN: Adaptive Multi-channel Graph Convolutional Networks [85.0332394224503]
グラフ畳み込みネットワーク(GCN)は,豊富な情報を持つ複雑なグラフにおいて,ノードの特徴と位相構造を最適に統合できるかどうかを検討する。
半教師付き分類(AM-GCN)のための適応型マルチチャネルグラフ畳み込みネットワークを提案する。
実験の結果,AM-GCNはノードの特徴とトポロジ的構造の両方から最も相関性の高い情報を抽出することがわかった。
論文 参考訳(メタデータ) (2020-07-05T08:16:03Z) - clDice -- A Novel Topology-Preserving Loss Function for Tubular
Structure Segmentation [57.20783326661043]
中心線Dice (short clDice) と呼ばれる新しい類似度尺度を導入する。
理論的には、clDiceは2次元および3次元のセグメンテーションにおけるホモトピー同値までのトポロジー保存を保証する。
我々は、船舶、道路、ニューロン(2Dと3D)を含む5つの公開データセットでソフトクライス損失をベンチマークした。
論文 参考訳(メタデータ) (2020-03-16T16:27:49Z)
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。