論文の概要: Optimizing Operating Points for High Performance Lesion Detection and Segmentation Using Lesion Size Reweighting

• arxiv url: http://arxiv.org/abs/2107.12978v1
• Date: Tue, 27 Jul 2021 17:43:49 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-28 14:47:52.771119
• Title: Optimizing Operating Points for High Performance Lesion Detection and Segmentation Using Lesion Size Reweighting
• Title（参考訳）: 病変サイズ再重み付けを用いた高性能病変検出・分別動作点の最適化
• Authors: Brennan Nichyporuk, Justin Szeto, Douglas L. Arnold, Tal Arbel
• Abstract要約: セグメンテーション精度を維持しつつ,小さな病理診断性能を向上させるための新しいリウィーディング戦略を提案する。 我々は,多発性硬化症患者画像の大規模・マルチスキャン・マルチセンターデータセットの実験に基づいて,我々のリウィーディング戦略が競合戦略を大きく上回っていることを示す。
• 参考スコア（独自算出の注目度）: 1.0514231683620514
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: There are many clinical contexts which require accurate detection and segmentation of all focal pathologies (e.g. lesions, tumours) in patient images. In cases where there are a mix of small and large lesions, standard binary cross entropy loss will result in better segmentation of large lesions at the expense of missing small ones. Adjusting the operating point to accurately detect all lesions generally leads to oversegmentation of large lesions. In this work, we propose a novel reweighing strategy to eliminate this performance gap, increasing small pathology detection performance while maintaining segmentation accuracy. We show that our reweighing strategy vastly outperforms competing strategies based on experiments on a large scale, multi-scanner, multi-center dataset of Multiple Sclerosis patient images.
• Abstract（参考訳）: 全ての局所病理の正確な検出とセグメンテーションを必要とする多くの臨床背景がある(例)。 患者画像の病変(腫瘍)。 小さな病変と大きな病変が混在している場合、標準的な2次クロスエントロピー損失は、欠落した小さな病変を犠牲にして、大きな病変のセグメンテーションを良くする。 すべての病変を正確に検出するための手術点の調整は、一般に大きな病変の過小評価につながる。 そこで本研究では, 分節精度を維持しつつ, 病理検出性能を小さくし, この性能差を解消するための新しい改良戦略を提案する。 我々は,多発性硬化症患者画像の大規模・マルチスキャン・マルチセンターデータセットの実験に基づいて,我々のリウィーディング戦略が競合戦略を大きく上回ることを示す。

関連論文リスト

• Enhancing Medical Image Segmentation with Deep Learning and Diffusion Models [7.53596352508181]
  正確な臨床診断には医用画像分割が不可欠である。 病変と正常な組織とのコントラストの低さ、境界の曖昧さ、患者間の高いばらつきといった課題に直面している。 ディープラーニングはセグメンテーションの精度と効率を改善したが、それでも専門家のアノテーションに大きく依存している。 本稿では,医療画像のセグメンテーションの重要性,現在のディープラーニングアプローチの限界,これらの課題に対処するための拡散モデルの可能性について論じる。
  論文  参考訳（メタデータ） (2024-11-21T17:49:15Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• All Sizes Matter: Improving Volumetric Brain Segmentation on Small Lesions [10.713888034128496]
  我々は,小さなBMの検出とセグメンテーションに明示的に焦点をあてたニューラルネットワークのアンサンブルを開発する。 大きさやテクスチャの面では病変インスタンスの不均衡に特に対処するブロブロスを用いており,大病変に対しては偏りがない。 本実験は, 対数的ブロブ損失と減算シーケンスの有用性を実証した。
  論文  参考訳（メタデータ） (2023-10-04T13:56:32Z)
• Scale-aware Super-resolution Network with Dual Affinity Learning for Lesion Segmentation from Medical Images [50.76668288066681]
  低解像度医用画像から様々な大きさの病変を適応的に分割する,スケールアウェアな超解像ネットワークを提案する。 提案するネットワークは,他の最先端手法と比較して一貫した改善を実現した。
  論文  参考訳（メタデータ） (2023-05-30T14:25:55Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• Weakly-Supervised Universal Lesion Segmentation with Regional Level Set Loss [16.80758525711538]
  高分解能ネットワーク(HRNet)に基づく新しい弱監督ユニバーサル病変分割法を提案する。 AHRNetはデコーダ、デュアルアテンション、スケールアテンション機構を含む高度な高解像度のディープイメージ機能を提供する。 本手法は,公開大規模deeplesionデータセットとホールドアウトテストセットにおいて,最高の性能を実現する。
  論文  参考訳（メタデータ） (2021-05-03T23:33:37Z)
• Towards Robust Partially Supervised Multi-Structure Medical Image Segmentation on Small-Scale Data [123.03252888189546]
  データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。 マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。 本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
  論文  参考訳（メタデータ） (2020-11-28T16:31:00Z)
• DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
  本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。 我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。 皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
  論文  参考訳（メタデータ） (2020-08-19T06:02:46Z)
• Implanting Synthetic Lesions for Improving Liver Lesion Segmentation in CT Exams [0.0]
  我々は,CTスライスに現実的な病変を移植し,リッチで制御可能なトレーニングサンプルセットを提供する。 以上の結果から,CTスライスにおける肝病変の分節モデルの性能向上が示唆された。
  論文  参考訳（メタデータ） (2020-08-11T13:23:04Z)
• Weakly Supervised Lesion Co-segmentation on CT Scans [18.58056402884405]
  本稿では、まずRECISTスライスから擬似マスクを生成する弱教師付きコセグメンテーションモデルを提案する。 次に、これらを注意に基づく畳み込みニューラルネットワークのトレーニングラベルとして使用し、一対のCTスキャンから共通の病変を分割する。
  論文  参考訳（メタデータ） (2020-01-24T19:39:33Z)

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。