論文の概要: Semi-supervised, Topology-Aware Segmentation of Tubular Structures from Live Imaging 3D Microscopy

• arxiv url: http://arxiv.org/abs/2105.09737v1
• Date: Thu, 20 May 2021 13:35:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-21 16:12:26.290193
• Title: Semi-supervised, Topology-Aware Segmentation of Tubular Structures from Live Imaging 3D Microscopy
• Title（参考訳）: 生体イメージング3次元顕微鏡による管状構造の半監督的トポロジー的セグメンテーション
• Authors: Kasra Arnavaz, Oswin Krause, Jelena M. Krivokapic, Silja Heilmann, Jakob Andreas B{\ae}rentzen, Pia Nyeng, Aasa Feragen
• Abstract要約: 本稿では, バイオメディカルイメージングにおける2つの問題に対処する: セグメンテーションのトポロジ的一貫性, 限定アノテーション。 本研究では, 予測された真理セグメントと地上の真理セグメントの位相的および幾何学的整合性を測定するトポロジカルスコアを提案する。 本研究は, 乳房内管状構造を集束顕微鏡で観察し, 本研究の意義を検証した。
• 参考スコア（独自算出の注目度）: 6.2651370198971295
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Motivated by a challenging tubular network segmentation task, this paper tackles two commonly encountered problems in biomedical imaging: Topological consistency of the segmentation, and limited annotations. We propose a topological score which measures both topological and geometric consistency between the predicted and ground truth segmentations, applied for model selection and validation. We apply our topological score in three scenarios: i. a U-net ii. a U-net pretrained on an autoencoder, and iii. a semisupervised U-net architecture, which offers a straightforward approach to jointly training the network both as an autoencoder and a segmentation algorithm. This allows us to utilize un-annotated data for training a representation that generalizes across test data variability, in spite of our annotated training data having very limited variation. Our contributions are validated on a challenging segmentation task, locating tubular structures in the fetal pancreas from noisy live imaging confocal microscopy.
• Abstract（参考訳）: 本論文は,管状ネットワークセグメンテーションの課題に起因して,バイオメディカルイメージングにおける2つの問題に対処する: セグメンテーションのトポロジ的一貫性とアノテーションの限定。 予測された真理セグメンテーションと基底的真理セグメンテーションの位相的および幾何学的整合性を測定する位相的スコアをモデル選択と検証に適用する。 トポロジカルスコアを3つのシナリオ、すなわちU-net iiに適用する。 オートエンコーダで事前訓練されたU-netとiii。 半教師付きu-netアーキテクチャは、オートエンコーダとセグメンテーションアルゴリズムの両方としてネットワークを共同トレーニングするための簡単なアプローチを提供する。 これにより、アノテートされたトレーニングデータに非常に制限があるにもかかわらず、テストデータの可変性を一般化する表現をトレーニングするために、アノテーションのないデータを利用することができます。 腹腔鏡検査にて,胎児膵管状構造を同定し,分節化に苦慮した課題を検証した。

関連論文リスト

• PI-Att: Topology Attention for Segmentation Networks through Adaptive Persistence Image Representation [1.4680035572775534]
  我々は,新たなトポロジ認識損失関数を導入し,ネットワークに対して,地上の真実と予測マップのトポロジ的相違を最小化するよう強制する。 セグメント化ネットワーク損失の文脈において,各マップのトポロジを永続画像表現によって定量化する。 提案したPI-Att損失は, 大動脈と大血管のセグメンテーションの2つの異なるデータセットで評価された。
  論文  参考訳（メタデータ） (2024-08-15T09:06:49Z)
• 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)
• 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)
• Point-supervised Segmentation of Microscopy Images and Volumes via Objectness Regularization [2.243486411968779]
  この作業により、イメージ上のセマンティックセグメンテーションネットワークのトレーニングが、1インスタンスあたりのトレーニングのための単一のポイントで可能になる。 デジタル病理学における挑戦的なデータセットにおけるポイント・スーパーバイザーのセマンティクス・セグメンテーションの最先端に対する競争結果を達成します。
  論文  参考訳（メタデータ） (2021-03-09T18:40:00Z)
• TSGCNet: Discriminative Geometric Feature Learning with Two-Stream GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
  2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。 3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
  論文  参考訳（メタデータ） (2020-12-26T08:02:56Z)
• Pairwise Relation Learning for Semi-supervised Gland Segmentation [90.45303394358493]
  病理組織像における腺分節に対するPRS2モデルを提案する。 このモデルはセグメンテーションネットワーク(S-Net)とペア関係ネットワーク(PR-Net)から構成される。 我々は,GlaSデータセットの最近の5つの手法とCRAGデータセットの最近の3つの手法を比較した。
  論文  参考訳（メタデータ） (2020-08-06T15:02:38Z)
• MetricUNet: Synergistic Image- and Voxel-Level Learning for Precise CT Prostate Segmentation via Online Sampling [66.01558025094333]
  本稿では,前立腺領域を高速に局在させる第1段階と,前立腺領域を正確に区分する第2段階の2段階のフレームワークを提案する。 マルチタスクネットワークにおけるボクセルワイドサンプリングによる新しいオンラインメトリック学習モジュールを提案する。 本手法は,従来のクロスエントロピー学習法やDice損失学習法と比較して,より代表的なボクセルレベルの特徴を効果的に学習することができる。
  論文  参考訳（メタデータ） (2020-05-15T10:37:02Z)
• Phase Consistent Ecological Domain Adaptation [76.75730500201536]
  意味的セグメンテーション(意味的セグメンテーション)の課題に焦点をあてる。そこでは、注釈付き合成データが多用されるが、実際のデータへのアノテートは困難である。 視覚心理学に触発された最初の基準は、2つの画像領域間の地図が位相保存であることである。 第2の基準は、照明剤や撮像センサーの特性に関わらず、その画像に現れる環境統計、またはシーン内の規則を活用することを目的としている。
  論文  参考訳（メタデータ） (2020-04-10T06:58:03Z)
• Cross-stained Segmentation from Renal Biopsy Images Using Multi-level Adversarial Learning [13.30545860115548]
  クロスステンドセグメンテーションのための堅牢で柔軟なモデルを設計する。 対象の染色画像のセグメンテーション性能を改善し、ラベルなしデータを用いてラベル付きデータと類似の精度を実現する。
  論文  参考訳（メタデータ） (2020-02-20T06:49:48Z)

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。