論文の概要: Effect of Prior-based Losses on Segmentation Performance: A Benchmark

• arxiv url: http://arxiv.org/abs/2201.02428v3
• Date: Tue, 11 Jan 2022 15:31:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-13 00:05:16.220823
• Title: Effect of Prior-based Losses on Segmentation Performance: A Benchmark
• Title（参考訳）: セグメンテーション性能に対する事前ベース損失の影響:ベンチマーク
• Authors: Rosana El Jurdi, Caroline Petitjean, Veronika Cheplygina, Paul Honeine, Fahed Abdallah
• Abstract要約: 深層畳み込みニューラルネットワーク(CNN)は、医用画像セグメンテーションの最先端のパフォーマンスを実証している。 近年の研究では、物体の形状や境界といった事前の知識を損失関数の制約として取り入れることに焦点が当てられている。 本稿では,最近の医用画像のセグメンテーションにおける先行的損失のベンチマークを確立する。
• 参考スコア（独自算出の注目度）: 7.6857153840014165
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Today, deep convolutional neural networks (CNNs) have demonstrated state-of-the-art performance for medical image segmentation, on various imaging modalities and tasks. Despite early success, segmentation networks may still generate anatomically aberrant segmentations, with holes or inaccuracies near the object boundaries. To enforce anatomical plausibility, recent research studies have focused on incorporating prior knowledge such as object shape or boundary, as constraints in the loss function. Prior integrated could be low-level referring to reformulated representations extracted from the ground-truth segmentations, or high-level representing external medical information such as the organ's shape or size. Over the past few years, prior-based losses exhibited a rising interest in the research field since they allow integration of expert knowledge while still being architecture-agnostic. However, given the diversity of prior-based losses on different medical imaging challenges and tasks, it has become hard to identify what loss works best for which dataset. In this paper, we establish a benchmark of recent prior-based losses for medical image segmentation. The main objective is to provide intuition onto which losses to choose given a particular task or dataset. To this end, four low-level and high-level prior-based losses are selected. The considered losses are validated on 8 different datasets from a variety of medical image segmentation challenges including the Decathlon, the ISLES and the WMH challenge. Results show that whereas low-level prior-based losses can guarantee an increase in performance over the Dice loss baseline regardless of the dataset characteristics, high-level prior-based losses can increase anatomical plausibility as per data characteristics.
• Abstract（参考訳）: 今日、深層畳み込みニューラルネットワーク(cnns)は、様々な画像モードやタスクに基づいて、医用画像セグメンテーションの最先端のパフォーマンスを実証している。 初期の成功にもかかわらず、セグメンテーションネットワークは依然として解剖学的に異常なセグメンテーションを生成し、オブジェクト境界付近に穴や不正確さがある。 解剖学的可能性を強化するために、近年の研究は、損失関数の制約として、物体形状や境界などの事前知識を取り入れることに焦点を当てている。 以前の統合は、基幹領域から抽出された再構成された表現を低レベル、または臓器の形状や大きさなどの外部医療情報を高レベルに表すことができる。 過去数年間、事前の損失は、アーキテクチャに依存しながら専門家の知識の統合を可能にしているため、研究分野への関心が高まった。 しかしながら、さまざまな医療画像の課題やタスクにおける事前ベース損失の多様性を考えると、どのデータセットに最適な損失を識別することが困難になっている。 本稿では,医療画像分割における最近の先行的損失のベンチマークについて述べる。 主な目的は、特定のタスクやデータセットに与えられた損失を選択するための直感を提供することである。 この目的のために、4つの低レベルおよび高レベルの事前ベース損失が選択される。 評価された損失は、Deathlon、ISLES、WMHチャレンジなど、さまざまな医療画像セグメンテーション課題から8つの異なるデータセットで検証される。 その結果、低レベルの事前ベース損失はデータセット特性に関わらずサイコロ損失ベースラインよりも性能が向上することを保証できるが、高レベルの事前ベース損失はデータ特性に応じて解剖学的信頼性が向上することが示された。

関連論文リスト

• LoRKD: Low-Rank Knowledge Decomposition for Medical Foundation Models [59.961172635689664]
  知識分解」は、特定の医療課題のパフォーマンス向上を目的としている。 我々はLow-Rank Knowledge Decomposition(LoRKD)という新しいフレームワークを提案する。 LoRKDは、低ランクのエキスパートモジュールと効率的な知識分離畳み込みを組み込むことで、グラデーションを異なるタスクから明確に分離する。
  論文  参考訳（メタデータ） (2024-09-29T03:56:21Z)
• 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)
• 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)
• Loss Function Discovery for Object Detection via Convergence-Simulation Driven Search [101.73248560009124]
  本稿では,効率的な収束シミュレーションによる進化的探索アルゴリズムCSE-Autolossを提案する。 一般的な検出器上での損失関数探索の広範囲な評価を行い、探索された損失の優れた一般化能力を検証した。 実験の結果, 2段検出器と1段検出器のmAPでは, 最適損失関数の組み合わせが1.1%と0.8%を上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-02-09T08:34:52Z)
• 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)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• 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)
• 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)
• High-level Prior-based Loss Functions for Medical Image Segmentation: A Survey [7.685715384001417]
  深層畳み込みニューラルネットワーク(CNN)は、監督された医用画像のセグメンテーションにおける技術性能の状態を実証している。 近年の研究は、解剖学的に妥当なセグメンテーションを強制するために、空間情報や事前知識を取り入れることに焦点を当てている。
  論文  参考訳（メタデータ） (2020-11-16T15:12:05Z)
• 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)
• Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and Convolutional Neural Networks [68.96150598294072]
  未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。 網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。 近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。 本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。 提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
  論文  参考訳（メタデータ） (2020-04-03T14:07:41Z)

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。