論文の概要: Learning to Address Intra-segment Misclassification in Retinal Imaging
- arxiv url: http://arxiv.org/abs/2104.12138v1
- Date: Sun, 25 Apr 2021 11:57:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-27 14:49:27.836981
- Title: Learning to Address Intra-segment Misclassification in Retinal Imaging
- Title（参考訳）: 網膜画像における領域内ミス分類の学習
- Authors: Yukun Zhou, Moucheng Xu, Yipeng Hu, Hongxiang Lin, Joseph Jacob,
Pearse Keane, Daniel Alexander
- Abstract要約: マルチクラスセグメンテーションを複数のバイナリに分解する新しいアプローチを提案し、次にバイナリ-マルチクラス融合ネットワークを提案する。
このネットワークは動脈,静脈,マルチクラスの特徴マップの表現をマージし,それぞれが専門的な血管アノテーションによって教師される。
その結果, DRIVE-AV, LES-AV, HRF-AVの3つの深層学習手法と比較し, F1スコアを4.4%, 5.1%, 4.2%向上させた。
- 参考スコア（独自算出の注目度）: 3.552155712390612
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate multi-class segmentation is a long-standing challenge in medical
imaging, especially in scenarios where classes share strong similarity.
Segmenting retinal blood vessels in retinal photographs is one such scenario,
in which arteries and veins need to be identified and differentiated from each
other and from the background. Intra-segment misclassification, i.e. veins
classified as arteries or vice versa, frequently occurs when arteries and veins
intersect, whereas in binary retinal vessel segmentation, error rates are much
lower. We thus propose a new approach that decomposes multi-class segmentation
into multiple binary, followed by a binary-to-multi-class fusion network. The
network merges representations of artery, vein, and multi-class feature maps,
each of which are supervised by expert vessel annotation in adversarial
training. A skip-connection based merging process explicitly maintains
class-specific gradients to avoid gradient vanishing in deep layers, to favor
the discriminative features. The results show that, our model respectively
improves F1-score by 4.4\%, 5.1\%, and 4.2\% compared with three
state-of-the-art deep learning based methods on DRIVE-AV, LES-AV, and HRF-AV
data sets.
- Abstract（参考訳）: 正確なマルチクラスセグメンテーションは、特にクラスが強い類似性を持つシナリオにおいて、医用画像における長年の課題である。
網膜写真で網膜血管を分割することは、動脈と静脈を互いに識別し、背景から区別する必要があるようなシナリオの1つである。
分節内誤分類、すなわち
動脈またはその逆の静脈は、動脈と静脈が交差するときに頻繁に発生するが、二分体網膜血管の分節では、誤差率はずっと低い。
そこで本研究では,マルチクラスセグメンテーションを複数のバイナリに分解し,次にバイナリからマルチクラスへの融合ネットワークを提案する。
このネットワークは動脈,静脈,マルチクラスの特徴マップの表現をマージし,それぞれが専門的な血管アノテーションによって教師される。
スキップ接続ベースのマージプロセスは、クラス固有の勾配を明示的に保持し、深い層で勾配が消えるのを避ける。
その結果, DRIVE-AV, LES-AV, HRF-AVの3種類の深層学習法と比較して, F1スコアを4.4 %, 5.1 %, 4.2 %改善した。
関連論文リスト
- Multi-task learning for joint weakly-supervised segmentation and aortic
arch anomaly classification in fetal cardiac MRI [2.7962860265843563]
3D Black blood T2w MRIによる胎児血管分割の自動化と異常分類のための枠組みを提案する。
右大動脈弓部,右大動脈弓部,大動脈解離の疑いを主訴に来院した。
実験の結果,提案した学習戦略はラベルの伝播と,伝播ラベルのみに特化して訓練されたネットワークを著しく上回ることがわかった。
論文 参考訳（メタデータ） (2023-11-13T10:54:53Z) - Deep Angiogram: Trivializing Retinal Vessel Segmentation [1.8479315677380455]
本研究では,無関係な特徴をフィルタリングし,深部血管造影という潜像を合成するコントラスト型変分自動エンコーダを提案する。
合成ネットワークの一般化性は、画像コントラストとノイズの特徴の変動に敏感なモデルを実現するコントラスト損失によって改善される。
論文 参考訳（メタデータ） (2023-07-01T06:13:10Z) - M$^{2}$SNet: Multi-scale in Multi-scale Subtraction Network for Medical
Image Segmentation [73.10707675345253]
医用画像から多様なセグメンテーションを仕上げるマルチスケールサブトラクションネットワーク(M$2$SNet)を提案する。
本手法は,4つの異なる医用画像セグメンテーションタスクの11つのデータセットに対して,異なる評価基準の下で,ほとんどの最先端手法に対して好意的に機能する。
論文 参考訳（メタデータ） (2023-03-20T06:26:49Z) - GraVIS: Grouping Augmented Views from Independent Sources for
Dermatology Analysis [52.04899592688968]
皮膚科画像から自己教師付き特徴を学習するために特に最適化されたGraVISを提案する。
GraVISは、病変のセグメンテーションと疾患分類のタスクにおいて、転送学習と自己教師型学習を著しく上回っている。
論文 参考訳（メタデータ） (2023-01-11T11:38:37Z) - Simultaneous segmentation and classification of the retinal arteries and
veins from color fundus images [6.027522272446452]
網膜血管の研究は多くの疾患のスクリーニングと診断の基本的な段階である。
眼底画像からの網膜A/Vの同時分画と分類のための新しいアプローチを提案する。
論文 参考訳（メタデータ） (2022-09-20T09:54:01Z) - Edge-competing Pathological Liver Vessel Segmentation with Limited
Labels [61.38846803229023]
病理画像からのMVI検出に適したアルゴリズムはまだ存在しない。
本報告では, 血管, MVI, および腫瘍のグレードをラベルとした522枚のスライド画像を含む, 初めて病理組織学的肝画像データセットを収集する。
本稿では,2つのエッジセグメンテーション・ネットワークと2つのエッジセグメンテーション・ディミネータを含むエッジコンペティング・コンテナ・ネットワーク(EVS-Net)を提案する。
論文 参考訳（メタデータ） (2021-08-01T07:28:32Z) - Hierarchical Deep Network with Uncertainty-aware Semi-supervised
Learning for Vessel Segmentation [58.45470500617549]
本稿では,注目機構が血管全体に誘導される低コントラストキャピラリー領域を局在させる階層的なディープネットワークを提案する。
提案手法は,底部画像における網膜動脈/静脈の分画とCT画像における肝門/肝血管の分画のベンチマークにおいて,最先端の性能を実現する。
論文 参考訳（メタデータ） (2021-05-31T06:55:43Z) - Consistent Posterior Distributions under Vessel-Mixing: A Regularization
for Cross-Domain Retinal Artery/Vein Classification [30.30848090813239]
網膜A/V分類におけるクロスドメイン学習のための船舶混合型整合性正規化フレームワークを提案する。
提案手法は,対象ドメインに対する教師付き学習によって得られる上界に近い,最先端のクロスドメイン性能を実現する。
論文 参考訳（メタデータ） (2021-03-16T14:18:35Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳（メタデータ） (2020-12-10T04:01:07Z) - Multi-Task Neural Networks with Spatial Activation for Retinal Vessel
Segmentation and Artery/Vein Classification [49.64863177155927]
本稿では,網膜血管,動脈,静脈を同時に分割する空間活性化機構を備えたマルチタスクディープニューラルネットワークを提案する。
提案するネットワークは,容器分割における画素ワイド精度95.70%,A/V分類精度94.50%を実現している。
論文 参考訳（メタデータ） (2020-07-18T05:46:47Z) - Joint Learning of Vessel Segmentation and Artery/Vein Classification
with Post-processing [27.825969553813092]
血管分節と動脈・静脈の分類は、潜在的な疾患について様々な情報を提供する。
我々は、UNetベースのモデルSeqNetを採用し、背景から船舶を正確に分割し、船舶のタイプを予測する。
実験の結果,AUCを0.98に改善し,DRIVEデータセットの分類精度は0.92に向上した。
論文 参考訳（メタデータ） (2020-05-27T13:06:16Z)
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。