論文の概要: TEDS-Net: Enforcing Diffeomorphisms in Spatial Transformers to Guarantee Topology Preservation in Segmentations

• arxiv url: http://arxiv.org/abs/2107.13542v1
• Date: Wed, 28 Jul 2021 17:55:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-29 15:21:46.239990
• Title: TEDS-Net: Enforcing Diffeomorphisms in Spatial Transformers to Guarantee Topology Preservation in Segmentations
• Title（参考訳）: TEDS-Net:空間変換器の微分同型化による分節の位相保存
• Authors: Madeleine K. Wyburd, Nicola K. Dinsdale, Ana I.L. Namburete and Mark Jenkinson
• Abstract要約: 本稿では,正確なトポロジを保証する新しいセグメンテーション手法であるTEDS-Netを提案する。 本手法は, トポロジー保存を強制する連続的な微分型フレームワーク上に構築されている。 オープンソース2次元心臓データを用いた心筋セグメンテーション法について検討した。
• 参考スコア（独自算出の注目度）: 2.6610564551999563
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate topology is key when performing meaningful anatomical segmentations, however, it is often overlooked in traditional deep learning methods. In this work we propose TEDS-Net: a novel segmentation method that guarantees accurate topology. Our method is built upon a continuous diffeomorphic framework, which enforces topology preservation. However, in practice, diffeomorphic fields are represented using a finite number of parameters and sampled using methods such as linear interpolation, violating the theoretical guarantees. We therefore introduce additional modifications to more strictly enforce it. Our network learns how to warp a binary prior, with the desired topological characteristics, to complete the segmentation task. We tested our method on myocardium segmentation from an open-source 2D heart dataset. TEDS-Net preserved topology in 100% of the cases, compared to 90% from the U-Net, without sacrificing on Hausdorff Distance or Dice performance. Code will be made available at: www.github.com/mwyburd/TEDS-Net
• Abstract（参考訳）: 意味のある解剖学的セグメンテーションを行う際には正確なトポロジが重要であるが、従来のディープラーニング手法では見過ごされがちである。 本研究では,正確なトポロジーを保証する新しいセグメンテーション手法である teds-net を提案する。 本手法は, トポロジー保存を強制する連続微分型フレームワーク上に構築されている。 しかし実際には、微分同相体は有限個のパラメータを用いて表現され、線形補間のような方法を用いてサンプリングされ、理論的な保証に反する。 したがって、より厳格に強制するために追加の修正を導入する。 ネットワークは、所望のトポロジカルな特徴を持つバイナリを事前にワープし、セグメンテーションタスクを完了させる方法を学ぶ。 オープンソース2次元心臓データを用いた心筋セグメンテーション法について検討した。 TEDS-Netは、Hausdorff DistanceやDiceのパフォーマンスを犠牲にすることなく、U-Netから90%まで100%保存した。 コードは、www.github.com/mwyburd/TEDS-Netで利用可能になる。

関連論文リスト

• RAGFormer: Learning Semantic Attributes and Topological Structure for Fraud Detection [8.050935113945428]
  本稿では,transFormer(RAGFormer)を用いたRelation-Aware GNNという新しいフレームワークを提案する。 RAGFormerはセマンティック機能とトポロジ機能の両方をターゲットノードに埋め込む。 単純なネットワークはセマンティックエンコーダ、トポロジーエンコーダ、アテンション融合モジュールで構成される。
  論文  参考訳（メタデータ） (2024-02-27T12:53:15Z)
• Lattice-preserving $\mathcal{ALC}$ ontology embeddings with saturation [50.05281461410368]
  OWL表現の埋め込みを生成するため,順序保存型埋め込み法を提案する。 本手法は,いくつかの知識ベース完了タスクにおいて,最先端の組込み手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-11T22:27:51Z)
• BuyTheDips: PathLoss for improved topology-preserving deep learning-based image segmentation [1.8899300124593648]
  本稿では,新しいリーク損失であるPathlossに依存する新しいディープイメージセグメンテーション手法を提案する。 本手法は,異なる性質の2つの代表的なデータセットに対して,最先端のトポロジ認識手法より優れる。
  論文  参考訳（メタデータ） (2022-07-23T07:19:30Z)
• DTU-Net: Learning Topological Similarity for Curvilinear Structure Segmentation [2.9398911304923447]
  本稿では,2つの重み付きU-Netからなる2重デコーダとトポロジ対応ディープニューラルネットワークDTU-Netを提案する。 テクスチャネットは、画像テクスチャ情報を用いて粗い予測を行う。 トポロジネットは、誤りとミスの分割を認識するために訓練された三重項損失を用いることで、粗い予測からトポロジ情報を学習する。
  論文  参考訳（メタデータ） (2022-05-23T08:15:26Z)
• Adaptive Convolutional Dictionary Network for CT Metal Artifact Reduction [62.691996239590125]
  本稿では,金属人工物削減のための適応畳み込み辞書ネットワーク(ACDNet)を提案する。 我々のACDNetは、トレーニングデータを介して、アーティファクトフリーCT画像の事前を自動で学習し、入力されたCT画像ごとに表現カーネルを適応的に調整することができる。 本手法は,モデルに基づく手法の明確な解釈可能性を継承し,学習に基づく手法の強力な表現能力を維持する。
  論文  参考訳（メタデータ） (2022-05-16T06:49:36Z)
• A singular Riemannian geometry approach to Deep Neural Networks II. Reconstruction of 1-D equivalence classes [78.120734120667]
  入力空間における出力多様体内の点の事前像を構築する。 我々は、n-次元実空間から(n-1)-次元実空間へのニューラルネットワークマップの場合の簡易性に焦点をあてる。
  論文  参考訳（メタデータ） (2021-12-17T11:47:45Z)
• Self-Ensembling GAN for Cross-Domain Semantic Segmentation [107.27377745720243]
  本稿では,セマンティックセグメンテーションのためのクロスドメインデータを利用した自己理解型生成逆数ネットワーク(SE-GAN)を提案する。 SE-GANでは、教師ネットワークと学生ネットワークは、意味分節マップを生成するための自己組織化モデルを構成する。 その単純さにもかかわらず、SE-GANは敵の訓練性能を大幅に向上させ、モデルの安定性を高めることができる。
  論文  参考訳（メタデータ） (2021-12-15T09:50:25Z)
• 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)
• Prior Guided Feature Enrichment Network for Few-Shot Segmentation [64.91560451900125]
  最先端のセマンティックセグメンテーション手法は、良い結果を得るために十分なラベル付きデータを必要とする。 少数のラベル付きサポートサンプルを持つ新しいクラスに迅速に適応するモデルを学習することで,この問題に対処するためのショットセグメンテーションが提案されている。 これらのフレームワークは、高レベルのセマンティック情報の不適切な使用により、目に見えないクラスにおける一般化能力の低下という課題に直面している。
  論文  参考訳（メタデータ） (2020-08-04T10:41:32Z)
• NeuroFabric: Identifying Ideal Topologies for Training A Priori Sparse Networks [2.398608007786179]
  ディープニューラルネットワークの長いトレーニング時間は、機械学習研究のボトルネックである。 層内トポロジーの選択に関する理論的基礎を提供する。 類似したトポロジが達成可能な精度に大きな差があることがよく示される。
  論文  参考訳（メタデータ） (2020-02-19T18:29:18Z)

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。