論文の概要: Learn Fine-grained Adaptive Loss for Multiple Anatomical Landmark
Detection in Medical Images
- arxiv url: http://arxiv.org/abs/2105.09124v1
- Date: Wed, 19 May 2021 13:39:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-20 14:03:14.605119
- Title: Learn Fine-grained Adaptive Loss for Multiple Anatomical Landmark
Detection in Medical Images
- Title（参考訳）: 医用画像における複数解剖学的ランドマーク検出のための細粒度適応損失の学習
- Authors: Guang-Quan Zhou, Juzheng Miao, Xin Yang, Rui Li, En-Ze Huo, Wenlong
Shi, Yuhao Huang, Jikuan Qian, Chaoyu Chen, Dong Ni
- Abstract要約: 本稿ではランドマーク検出のための新しい学習学習フレームワークを提案する。
提案手法は汎用的であり,解剖学的ランドマーク検出の効率向上の可能性を示す。
- 参考スコア（独自算出の注目度）: 15.7026400415269
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automatic and accurate detection of anatomical landmarks is an essential
operation in medical image analysis with a multitude of applications. Recent
deep learning methods have improved results by directly encoding the appearance
of the captured anatomy with the likelihood maps (i.e., heatmaps). However,
most current solutions overlook another essence of heatmap regression, the
objective metric for regressing target heatmaps and rely on hand-crafted
heuristics to set the target precision, thus being usually cumbersome and
task-specific. In this paper, we propose a novel learning-to-learn framework
for landmark detection to optimize the neural network and the target precision
simultaneously. The pivot of this work is to leverage the reinforcement
learning (RL) framework to search objective metrics for regressing multiple
heatmaps dynamically during the training process, thus avoiding setting
problem-specific target precision. We also introduce an early-stop strategy for
active termination of the RL agent's interaction that adapts the optimal
precision for separate targets considering exploration-exploitation tradeoffs.
This approach shows better stability in training and improved localization
accuracy in inference. Extensive experimental results on two different
applications of landmark localization: 1) our in-house prenatal ultrasound (US)
dataset and 2) the publicly available dataset of cephalometric X-Ray landmark
detection, demonstrate the effectiveness of our proposed method. Our proposed
framework is general and shows the potential to improve the efficiency of
anatomical landmark detection.
- Abstract（参考訳）: 解剖学的ランドマークの自動的かつ正確な検出は、様々な応用で医療画像解析に不可欠である。
近年の深層学習法では, 捕獲した解剖学の出現を度数マップ(すなわちヒートマップ)で直接エンコードすることで, 結果が向上している。
しかし、現在のほとんどの解は熱マップ回帰の別の本質を見落としており、対象の熱マップを回帰し、目標の精度を設定するために手作りのヒューリスティックに頼っている。
本稿では,ニューラルネットワークと目標精度を同時に最適化するランドマーク検出のための学習学習フレームワークを提案する。
この研究の要点は、強化学習(RL)フレームワークを利用して、トレーニングプロセス中に複数のヒートマップを動的に回帰するための客観的なメトリクスを探索し、問題固有の目標精度の設定を避けることである。
また,RLエージェントの相互作用のアクティブ終了のための早期停止戦略を導入し,探索・探索トレードオフを考慮した個別目標に対する最適精度を適応させる。
このアプローチでは、トレーニングの安定性が向上し、推論のローカライゼーション精度が向上する。
1) 当施設における出生前超音波(US)データセットと,2) 頭蓋X線ランドマーク検出の公開データセットの2つの異なる応用に関する大規模な実験結果から,提案手法の有効性が示された。
提案手法は汎用的であり,解剖学的ランドマーク検出の効率向上の可能性を示す。
関連論文リスト
- Nested ResNet: A Vision-Based Method for Detecting the Sensing Area of a Drop-in Gamma Probe [2.835688998859888]
ドロップインガンマプローブは、リンパ節検出のためのロボット支援最小侵襲手術(RAMIS)に広く用いられている。
従来の研究では、腹腔鏡画像を用いて感知領域の位置を予測しようとしたが、予測精度は不十分であった。
本研究では,プローブの知覚領域を予測するための3分岐深度学習フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-30T16:08:43Z) - Deep Homography Estimation for Visual Place Recognition [49.235432979736395]
本稿では,変換器を用いたディープホモグラフィー推定(DHE)ネットワークを提案する。
バックボーンネットワークによって抽出された濃密な特徴写像を入力とし、高速で学習可能な幾何的検証のためにホモグラフィーに適合する。
ベンチマークデータセットを用いた実験により,本手法はいくつかの最先端手法より優れていることが示された。
論文 参考訳（メタデータ） (2024-02-25T13:22:17Z) - Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。
I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文 参考訳（メタデータ） (2023-08-31T05:05:53Z) - Task-based Generation of Optimized Projection Sets using Differentiable
Ranking [13.19384722802772]
このアプローチは、プロジェクションベースの検出性とデータ完全性という2つの重要な要素を、単一のフィードフォワードニューラルネットワークに統合する。
ネットワークはプロジェクションの価値を評価し、それらを微分可能なランク関数で処理し、ストレートスルー推定器を用いて最終選択を行う。
論文 参考訳（メタデータ） (2023-03-21T10:29:30Z) - Real-time landmark detection for precise endoscopic submucosal
dissection via shape-aware relation network [51.44506007844284]
内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。
まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。
次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
論文 参考訳（メタデータ） (2021-11-08T07:57:30Z) - Class agnostic moving target detection by color and location prediction
of moving area [11.326363150470204]
移動目標検出はコンピュータビジョンにおいて重要な役割を果たす。
ディープラーニングベースの畳み込みニューラルネットワークのような最近のアルゴリズムは、高精度でリアルタイムのパフォーマンスを実現している。
モデル自由移動目標検出アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-06-24T12:34:58Z) - Meta-learning One-class Classifiers with Eigenvalue Solvers for
Supervised Anomaly Detection [55.888835686183995]
教師付き異常検出のためのニューラルネットワークに基づくメタラーニング手法を提案する。
提案手法は,既存の異常検出法や少数ショット学習法よりも優れた性能を実現することを実験的に実証した。
論文 参考訳（メタデータ） (2021-03-01T01:43:04Z) - 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) - Cross-Task Representation Learning for Anatomical Landmark Detection [20.079451546446712]
本稿では,クロスタスク表現学習を通じて,ソースとターゲットタスク間の知識伝達を規則化することを提案する。
本手法は胎児アルコール症候群の診断を容易にする顔の解剖学的特徴を抽出するためのものである。
本稿では,目的モデル上の最終モデルの特徴と中間モデルの特徴を制約することにより,表現学習のための2つのアプローチを提案する。
論文 参考訳（メタデータ） (2020-09-28T21:22:49Z) - Structured Landmark Detection via Topology-Adapting Deep Graph Learning [75.20602712947016]
解剖学的顔と医学的ランドマーク検出のための新しいトポロジ適応深層グラフ学習手法を提案する。
提案手法は局所像特徴と大域形状特徴の両方を利用するグラフ信号を構成する。
3つの公開顔画像データセット(WFLW、300W、COFW-68)と3つの現実世界のX線医学データセット(ケパロメトリ、ハンド、ペルビス)で実験を行った。
論文 参考訳（メタデータ） (2020-04-17T11:55:03Z)
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。