論文の概要: Incorporating Boundary Uncertainty into loss functions for biomedical image segmentation

• arxiv url: http://arxiv.org/abs/2111.00533v1
• Date: Sun, 31 Oct 2021 16:19:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-02 14:32:16.530563
• Title: Incorporating Boundary Uncertainty into loss functions for biomedical image segmentation
• Title（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境界不確かさを損失関数に組み込む
• Authors: Michael Yeung, Guang Yang, Evis Sala, Carola-Bibiane Sch\"onlieb, Leonardo Rundo
• Abstract要約: 対象境界に対するソフトラベリングを制限するために形態的操作を用いる境界不確実性を提案する。 境界不確かさをDiceの損失と組み合わせることで、3つの有効なバイオメディカルイメージングデータセット間で一貫して性能を向上する。
• 参考スコア（独自算出の注目度）: 2.5243042477020836
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Manual segmentation is used as the gold-standard for evaluating neural networks on automated image segmentation tasks. Due to considerable heterogeneity in shapes, colours and textures, demarcating object boundaries is particularly difficult in biomedical images, resulting in significant inter and intra-rater variability. Approaches, such as soft labelling and distance penalty term, apply a global transformation to the ground truth, redefining the loss function with respect to uncertainty. However, global operations are computationally expensive, and neither approach accurately reflects the uncertainty underlying manual annotation. In this paper, we propose the Boundary Uncertainty, which uses morphological operations to restrict soft labelling to object boundaries, providing an appropriate representation of uncertainty in ground truth labels, and may be adapted to enable robust model training where systematic manual segmentation errors are present. We incorporate Boundary Uncertainty with the Dice loss, achieving consistently improved performance across three well-validated biomedical imaging datasets compared to soft labelling and distance-weighted penalty. Boundary Uncertainty not only more accurately reflects the segmentation process, but it is also efficient, robust to segmentation errors and exhibits better generalisation.
• Abstract（参考訳）: 手動セグメンテーションは、自動画像セグメンテーションタスクでニューラルネットワークを評価するためのゴールドスタンダードとして使用される。 形状、色、テクスチャにはかなり異質性があるため、生物医学的な画像では物体境界の区切りが特に困難であり、その結果、層間および層内変異は顕著である。 ソフトラベルや距離ペナルティ項のようなアプローチは、基底真理に大域的変換を適用し、不確実性に関して損失関数を再定義する。 しかし、グローバルな操作は計算コストが高く、どちらのアプローチも不確実な手動アノテーションを正確に反映していない。 本稿では,オブジェクト境界に対するソフトラベリングを制限するために形態素演算を用いる境界不確実性を提案し,基底真理ラベルにおける不確かさの適切な表現を提供し,体系的な手動セグメンテーションエラーが存在する場合のロバストなモデルトレーニングを可能にする。 境界不確かさをDice損失と組み合わせることで,ソフトラベリングや距離重み付きペナルティと比較して,3つのバイオメディカルイメージングデータセットの精度向上を実現した。 境界不確実性はセグメント化過程をより正確に反映するだけでなく、セグメント化エラーに対して効率的で堅牢であり、より良い一般化を示す。

関連論文リスト

• Topograph: An efficient Graph-Based Framework for Strictly Topology Preserving Image Segmentation [78.54656076915565]
  位相的正しさは多くの画像分割タスクにおいて重要な役割を果たす。 ほとんどのネットワークは、Diceのようなピクセル単位の損失関数を使って、トポロジカルな精度を無視して訓練されている。 トポロジ的に正確な画像セグメンテーションのための新しいグラフベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-05T16:20:14Z)
• Progressive Feature Self-reinforcement for Weakly Supervised Semantic Segmentation [55.69128107473125]
  Weakly Supervised Semantic (WSSS) のイメージレベルラベルを用いたシングルステージアプローチを提案する。 我々は、画像内容が決定論的領域(例えば、自信ある前景と背景)と不確実領域(例えば、オブジェクト境界と誤分類されたカテゴリ)に適応的に分割して、別々の処理を行う。 そこで我々は,これらの自信のある領域と同一のクラスラベルを持つ拡張画像とのセマンティック一貫性を制約する補完的な自己強調手法を提案する。
  論文  参考訳（メタデータ） (2023-12-14T13:21:52Z)
• Self-supervised Semantic Segmentation: Consistency over Transformation [3.485615723221064]
  Inception Large Kernel Attention (I-LKA) モジュールをベースとしたロバストなフレームワークを統合した新しい自己教師型アルゴリズム textbfS$3$-Net を提案する。 我々は、変形可能な畳み込みを積分成分として利用し、優れた物体境界定義のための歪み変形を効果的に捕捉し、デライン化する。 皮膚病変および肺臓器の分節タスクに関する実験結果から,SOTA法と比較して,本手法の優れた性能を示した。
  論文  参考訳（メタデータ） (2023-08-31T21:28:46Z)
• Towards Reliable Medical Image Segmentation by utilizing Evidential Calibrated Uncertainty [52.03490691733464]
  本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を利用して、医用画像分割の問題に対する確率と不確実性を明示的にモデル化する。 DeviSには不確実性を考慮したフィルタリングモジュールが組み込まれている。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• Modeling Multimodal Aleatoric Uncertainty in Segmentation with Mixture of Stochastic Expert [24.216869988183092]
  入力画像にあいまいさが存在する場合、セグメンテーションにおけるデータ独立不確実性(いわゆるアレタリック不確実性)を捉えることに重点を置いている。 本稿では,各専門家ネットワークがアレータティック不確実性の異なるモードを推定する,新しい専門家モデル(MoSE)を提案する。 We developed a Wasserstein-like loss that makes direct minimizes the distribution distance between the MoSE and ground truth annotations。
  論文  参考訳（メタデータ） (2022-12-14T16:48:21Z)
• 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)
• DOMINO: Domain-aware Model Calibration in Medical Image Segmentation [51.346121016559024]
  現代のディープニューラルネットワークはキャリブレーションが不十分で、信頼性と信頼性を損なう。 本稿では,クラスラベル間のセマンティック・コンフューザビリティと階層的類似性を利用したドメイン認識モデルキャリブレーション手法であるDOMINOを提案する。 その結果,DOMINOを校正したディープニューラルネットワークは,頭部画像分割における非校正モデルや最先端形態計測法よりも優れていた。
  論文  参考訳（メタデータ） (2022-09-13T15:31:52Z)
• Spatially Varying Label Smoothing: Capturing Uncertainty from Expert Annotations [19.700271444378618]
  画像分割のタスクは、解剖学的構造間の境界の正確な位置に関する曖昧さのために本質的に騒々しい。 我々は、この情報は専門家のアノテーションから余分なコストで抽出することができ、ソフト確率予測と基礎となる不確実性の間の校正を改善することができると論じる。 そこで我々は,アウトプット予測の校正に有効であることを示す基底真理ラベルの'blurred'バージョン上でネットワークをトレーニングするラベル平滑化(ls)を構築した。
  論文  参考訳（メタデータ） (2021-04-12T19:35:51Z)
• Analyzing Epistemic and Aleatoric Uncertainty for Drusen Segmentation in Optical Coherence Tomography Images [4.125187280299246]
  加齢関連黄斑変性症(AMD)は60歳以上の高齢者の永久視喪失の原因の1つである。 我々は,u-netに基づくドルーゼンセグメンテーションモデルを開発し,セグメンテーションの不確かさを定量化する。
  論文  参考訳（メタデータ） (2021-01-21T23:34:29Z)
• Weakly-Supervised Cross-Domain Adaptation for Endoscopic Lesions Segmentation [79.58311369297635]
  異なるデータセットにまたがるトランスファー可能なドメイン不変知識を探索できる,新しい弱い教師付き病巣移動フレームワークを提案する。 wasserstein quantified transferability frameworkは、広い範囲の転送可能なコンテキスト依存性を強調するために開発されている。 新規な自己監督型擬似ラベル生成器は、送信困難かつ転送容易なターゲットサンプルの両方に対して、確実な擬似ピクセルラベルを等しく提供するように設計されている。
  論文  参考訳（メタデータ） (2020-12-08T02:26:03Z)
• Extreme Consistency: Overcoming Annotation Scarcity and Domain Shifts [2.707399740070757]
  教師付き学習は医用画像解析に有効であることが証明された。 これは小さなラベル付きデータのみを利用することができる。 医療画像データセットでよく見られる大量のラベルのないデータを活用するのに失敗する。
  論文  参考訳（メタデータ） (2020-04-15T15:32:01Z)

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。