論文の概要: Label-set Loss Functions for Partial Supervision: Application to Fetal Brain 3D MRI Parcellation

• arxiv url: http://arxiv.org/abs/2107.03846v2
• Date: Fri, 9 Jul 2021 15:44:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-12 10:38:20.820056
• Title: Label-set Loss Functions for Partial Supervision: Application to Fetal Brain 3D MRI Parcellation
• Title（参考訳）: 部分的スーパービジョンのためのラベルセット損失関数:胎児脳MRI解析への応用
• Authors: Lucas Fidon, Michael Aertsen, Doaa Emam, Nada Mufti, Fr\'ed\'eric Guffens, Thomas Deprest, Philippe Demaerel, Anna L. David, Andrew Melbourne, S\'ebastien Ourselin, Jan Deprest, Tom Vercauteren
• Abstract要約: ラベル集合損失関数の最初の公理的定義を提案する。 完全分割画像に対する古典的損失関数を適切なラベルセット損失関数に変換する方法は1つと1つしかないことを示す。 今回我々は, 胎児脳の3次元MRIセグメント化のための部分教師あり学習法として, リーフ・ディース・ロス法を新たに導入した。
• 参考スコア（独自算出の注目度）: 4.097894622001556
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep neural networks have increased the accuracy of automatic segmentation, however, their accuracy depends on the availability of a large number of fully segmented images. Methods to train deep neural networks using images for which some, but not all, regions of interest are segmented are necessary to make better use of partially annotated datasets. In this paper, we propose the first axiomatic definition of label-set loss functions that are the loss functions that can handle partially segmented images. We prove that there is one and only one method to convert a classical loss function for fully segmented images into a proper label-set loss function. Our theory also allows us to define the leaf-Dice loss, a label-set generalization of the Dice loss particularly suited for partial supervision with only missing labels. Using the leaf-Dice loss, we set a new state of the art in partially supervised learning for fetal brain 3D MRI segmentation. We achieve a deep neural network able to segment white matter, ventricles, cerebellum, extra-ventricular CSF, cortical gray matter, deep gray matter, brainstem, and corpus callosum based on fetal brain 3D MRI of anatomically normal fetuses or with open spina bifida. Our implementation of the proposed label-set loss functions is available at https://github.com/LucasFidon/label-set-loss-functions
• Abstract（参考訳）: ディープニューラルネットワークは自動セグメンテーションの精度を高めているが、その精度は多数の完全セグメンテーションされた画像の可用性に依存する。 部分的に注釈付きデータセットをうまく活用するためには、興味のある領域がセグメンテーションされている画像を使ってディープニューラルネットワークを訓練する方法が必要である。 本稿では,部分分割画像を扱うことができる損失関数であるラベルセット損失関数の最初の公理的定義を提案する。 完全分割画像に対する古典的損失関数を適切なラベルセット損失関数に変換する方法は1つと1つしかないことを証明した。 我々の理論は、特に欠落ラベルしか持たない部分的な監督に適したディース損失のラベルセット一般化であるリーフ・ディース損失を定義できる。 葉分裂損失を用いて,胎児脳3次元mri分割のための部分教師あり学習における新しい状態を設定した。 白質、心室、小脳、室外csf、皮質灰白質、深灰白質、脳幹、コーパスカルーサムを解剖学的に正常な胎児の胎児脳3dmriまたは開放性スピナビフィダに基づいて分節することができる深層ニューラルネットワークを実現する。 提案するラベルセット損失関数の実装は、https://github.com/lucasfidon/label-set-loss-functionsで利用可能です。

関連論文リスト

• PICS in Pics: Physics Informed Contour Selection for Rapid Image Segmentation [0.05251974546677281]
  ラベル付きデータに頼らずに高速な画像分割のための物理インフォームド・コンター選択(PICS)を導入する。 PICSは物理インフォームドニューラルネットワーク(PINN)とスネークと呼ばれる活発な輪郭モデルからインスピレーションを得ている。 ベース関数としてディープニューラルネットワークの代わりに立方体スプラインを使用するため、高速で計算的に軽量である。 従来のエッジベースの損失関数ではなく、地域ベースの損失関数を最小化する最初のヘビ変種である。
  論文  参考訳（メタデータ） (2023-11-13T01:03:19Z)
• Robust T-Loss for Medical Image Segmentation [56.524774292536264]
  本稿では,医用画像分割のための新しいロバストな損失関数T-Lossを提案する。 提案した損失は、Student-t分布の負のログ類似度に基づいており、データ内の外れ値の処理を効果的に行うことができる。 実験の結果,T-Lossは2つの医療データセットのダイススコアにおいて従来の損失関数よりも優れていた。
  論文  参考訳（メタデータ） (2023-06-01T14:49:40Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• 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)
• Partial supervision for the FeTA challenge 2021 [5.388159776780446]
  医用画像分割のための畳み込みニューラルネットワークの性能は、トレーニングデータの数と正の相関関係があると考えられている。 FeTAチャレンジは、提供されたトレーニングデータのみの使用を参加者に制限するのではなく、他の公開ソースの使用も許可している。 本稿では,最新のディープラーニングパイプラインのセグメンテーション性能を向上させるためにラベルセット損失関数を提案する。
  論文  参考訳（メタデータ） (2021-11-03T16:48:39Z)
• 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)
• A Mixed Focal Loss Function for Handling Class Imbalanced Medical Image Segmentation [0.7619404259039283]
  声帯損失とDice損失関数の修正版から導出した新しい化合物損失関数を提案する。 提案した損失関数は、より優れたリコール精度バランスに関連付けられ、二値画像と多値画像のセグメンテーションにおいて、他の損失関数よりも大幅に優れる。
  論文  参考訳（メタデータ） (2021-02-08T20:47:38Z)
• Offset Curves Loss for Imbalanced Problem in Medical Segmentation [15.663236378920637]
  我々は,輪郭内領域と輪郭内領域の両方を考慮した新しい深層学習モデルを構築した。 提案するオフセット曲線(OsC)損失は3つの主要な適合項からなる。 提案したOsC損失を2次元ネットワークと3次元ネットワークの両方で評価した。
  論文  参考訳（メタデータ） (2020-12-04T08:35:21Z)
• 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)
• An Elastic Interaction-Based Loss Function for Medical Image Segmentation [10.851295591782538]
  本稿では,医用画像セグメンテーションのための長距離弾性相互作用に基づくトレーニング戦略を提案する。 この戦略において、CNNは予測領域の境界と実際の物体の境界との間の弾性相互作用エネルギーの誘導の下で対象領域を学習する。 実験結果から,本手法は一般的に用いられている画素単位の損失関数と比較して,大幅な改善が可能であることが示された。
  論文  参考訳（メタデータ） (2020-07-06T11:49:14Z)
• 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。