論文の概要: Region-wise Loss for Biomedical Image Segmentation
- arxiv url: http://arxiv.org/abs/2108.01405v1
- Date: Tue, 3 Aug 2021 10:38:21 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-04 13:54:37.341440
- Title: Region-wise Loss for Biomedical Image Segmentation
- Title(参考訳): 生体画像分割のための領域的損失
- Authors: Juan Miguel Valverde, Jussi Tohka
- Abstract要約: 地域的損失は多様であり、クラス不均衡とピクセルの重要性を考慮に入れることができる。
アクティブ・コンターや境界損失といった特定の損失関数は、適切なRWマップと同様に再構成可能であることを示す。
補正されたRWマップが安定して最適化できることを実証的に示す。
- 参考スコア(独自算出の注目度): 0.6091702876917281
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We propose Region-wise (RW) loss for biomedical image segmentation.
Region-wise loss is versatile, can simultaneously account for class imbalance
and pixel importance, and it can be easily implemented as the pixel-wise
multiplication between the softmax output and a RW map. We show that, under the
proposed Region-wise loss framework, certain loss functions, such as Active
Contour and Boundary loss, can be reformulated similarly with appropriate RW
maps, thus revealing their underlying similarities and a new perspective to
understand these loss functions. We investigate the observed optimization
instability caused by certain RW maps, such as Boundary loss distance maps, and
we introduce a mathematically-grounded principle to avoid such instability.
This principle provides excellent adaptability to any dataset and practically
ensures convergence without extra regularization terms or optimization tricks.
Following this principle, we propose a simple version of boundary distance maps
called rectified RW maps that, as we demonstrate in our experiments, achieve
state-of-the-art performance with similar or better Dice coefficients and
Hausdorff distances than Dice, Focal, and Boundary losses in three distinct
segmentation tasks. We quantify the optimization instability provided by
Boundary loss distance maps, and we empirically show that our rectified RW maps
are stable to optimize. The code to run all our experiments is publicly
available at: https://github.com/jmlipman/RegionWiseLoss.
- Abstract(参考訳): 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領域ワイド(RW)ロスを提案する。
領域的損失は多様であり、クラス不均衡と画素の重要性を同時に考慮することができ、ソフトマックス出力とrwマップとの画素的乗算として容易に実装できる。
提案した地域的損失フレームワークでは,アクティブ・コンターや境界損失といった特定の損失関数を適切なRWマップと同様に再構成し,それらの類似点と,それらの損失関数を理解するための新たな視点を明らかにする。
本研究では,境界損失距離マップなどの特定のRWマップによる観測された最適化不安定性について検討し,そのような不安定性を回避するために数学的に座屈した原理を導入する。
この原理は、任意のデータセットに優れた適応性を提供し、余分な正規化項や最適化のトリックなしで、事実上収束を保証する。
この原理に従うと、直交RW写像と呼ばれる境界距離写像の単純なバージョンを提案し、Dice、Focal、Bundaryの3つの異なるセグメンテーションタスクにおいて、Dice係数やHausdorff距離と類似あるいはより良いDice係数で最先端の性能を達成する。
境界損失距離マップによって提供される最適化の不安定性を定量化し、修正されたRWマップが安定して最適化できることを実証的に示す。
すべての実験を実行するコードは、https://github.com/jmlipman/regionwiselossで公開されています。
関連論文リスト
- Convolution-based Probability Gradient Loss for Semantic Segmentation [0.0]
本稿では,意味的セグメンテーションのための新しいConvolution-based Probability Gradient (CPG)ロスを提案する。
ソベル演算子に似た畳み込みカーネルを使用し、画像中のピクセル強度の勾配を計算することができる。
我々は,CPG損失が3つの確立されたネットワークに与える影響を評価するために,定性的かつ定量的な分析を行う。
論文 参考訳(メタデータ) (2024-04-10T03:20:33Z) - Boundary Difference Over Union Loss For Medical Image Segmentation [30.75832534753879]
我々は、境界領域分割を導くために、ユニオン損失(境界DoU損失)に対する境界差という、シンプルで効果的な損失を開発した。
私たちの損失はリージョンの計算にのみ依存するので、追加の損失を必要とせずに、実装やトレーニングが簡単になります。
論文 参考訳(メタデータ) (2023-08-01T01:27:34Z) - OT-Net: A Reusable Neural Optimal Transport Solver [26.153287448650126]
新たな再利用可能なニューラルOTソルバOT-Netを提示する。
OT-Netは、ニューラルネットワークを介してブレニエの高さ表現を学び、そのポテンシャルを得る。
その後、ポテンシャルの勾配を計算することでOTマップを得た。
論文 参考訳(メタデータ) (2023-06-14T04:11:38Z) - Unpaired Image Super-Resolution with Optimal Transport Maps [128.1189695209663]
実世界の画像超解像(SR)タスクは、しばしば、教師付き技術の適用を制限するペアデータセットを持っていない。
本稿では,非バイアスのOTマップを知覚輸送コストで学習する未ペアSRのアルゴリズムを提案する。
我々のアルゴリズムは、大規模無人AIM-19データセット上で、最先端のパフォーマンスをほぼ提供する。
論文 参考訳(メタデータ) (2022-02-02T16:21:20Z) - Generative Modeling with Optimal Transport Maps [83.59805931374197]
OT(Optimal Transport)は、大規模な生成モデリングタスクのための強力なツールとなっている。
OTマップ自体が生成モデルとして利用でき、同等の性能が得られることを示す。
論文 参考訳(メタデータ) (2021-10-06T18:17:02Z) - Feature Space Targeted Attacks by Statistic Alignment [74.40447383387574]
特徴空間ターゲットは、中間特徴写像を変調して摂動画像を攻撃する。
画素ワイドユークリッド距離の現在の選択は、ソースとターゲットの特徴に不合理に空間整合性制約を課すため、不一致を測定することが疑問視されている。
本稿では,Pair-wise Alignment AttackとGlobal-wise Alignment Attackという2つの新しい手法を提案する。
論文 参考訳(メタデータ) (2021-05-25T03:46:39Z) - iGOS++: Integrated Gradient Optimized Saliency by Bilateral
Perturbations [31.72311989250957]
サージェンシーマップは、広く使用されているローカル説明ツールです。
ブラックボックスシステムの出力変更に最適化されたサリエンシマップを生成するためのフレームワークであるiGOS++を提案する。
論文 参考訳(メタデータ) (2020-12-31T18:04:12Z) - Canny-VO: Visual Odometry with RGB-D Cameras based on Geometric 3D-2D
Edge Alignment [85.32080531133799]
本稿では,自由形式の曲線登録に関する古典的な問題をレビューし,効率的なrgbdビジュアルオドメトリシステムcanny-voに適用する。
エッジ登録でよく用いられる距離変換の代替として、近似近接近傍場と配向近接近傍場という2つの方法が提案されている。
3D2Dエッジアライメントは、効率性と精度の両方の観点から、これらの代替製剤の恩恵を受けます。
論文 参考訳(メタデータ) (2020-12-15T11:42:17Z) - Making Affine Correspondences Work in Camera Geometry Computation [62.7633180470428]
局所的な特徴は、ポイント・ツー・ポイント対応ではなく、リージョン・ツー・リージョンを提供する。
本稿では,全モデル推定パイプラインにおいて,地域間マッチングを効果的に活用するためのガイドラインを提案する。
実験により、アフィンソルバはより高速な実行時にポイントベースソルバに匹敵する精度を達成できることが示された。
論文 参考訳(メタデータ) (2020-07-20T12:07:48Z) - Image Fine-grained Inpainting [89.17316318927621]
拡張畳み込みの密結合を利用してより大きく効果的な受容場を得る一段階モデルを提案する。
この効率的なジェネレータをよく訓練するために、頻繁に使用されるVGG特徴整合損失を除いて、新しい自己誘導回帰損失を設計する。
また、局所的・グローバルな分枝を持つ識別器を用いて、局所的・グローバルな内容の整合性を確保する。
論文 参考訳(メタデータ) (2020-02-07T03:45:25Z)
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。