論文の概要: Lifting-based variational multiclass segmentation algorithm: design,
convergence analysis, and implementation with applications in medical imaging
- arxiv url: http://arxiv.org/abs/2202.04680v3
- Date: Mon, 18 Sep 2023 07:24:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-20 02:12:30.163800
- Title: Lifting-based variational multiclass segmentation algorithm: design,
convergence analysis, and implementation with applications in medical imaging
- Title（参考訳）: リフティングに基づく変異型マルチクラスセグメンテーションアルゴリズム:設計,収束解析および医療画像への応用
- Authors: Nadja Gruber, Johannes Schwab, Sebastien Court, Elke Gizewski, Markus
Haltmeier
- Abstract要約: 本稿では,特定の特性を示す複数の領域に分割する変動型マルチクラスセグメンテーション手法を提案し,解析し,実現する。
本手法は,異なるチャネルからのエネルギー関数結合情報を最小化することにより,セグメント領域を符号化する複数の関数を決定する。
実験の結果,提案手法は様々なシナリオで良好に動作することがわかった。
- 参考スコア（独自算出の注目度）: 1.2499537119440245
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose, analyze and realize a variational multiclass segmentation scheme
that partitions a given image into multiple regions exhibiting specific
properties. Our method determines multiple functions that encode the
segmentation regions by minimizing an energy functional combining information
from different channels. Multichannel image data can be obtained by lifting the
image into a higher dimensional feature space using specific multichannel
filtering or may already be provided by the imaging modality under
consideration, such as an RGB image or multimodal medical data. Experimental
results show that the proposed method performs well in various scenarios. In
particular, promising results are presented for two medical applications
involving classification of brain abscess and tumor growth, respectively. As
main theoretical contributions, we prove the existence of global minimizers of
the proposed energy functional and show its stability and convergence with
respect to noisy inputs. In particular, these results also apply to the special
case of binary segmentation, and these results are also novel in this
particular situation.
- Abstract（参考訳）: 与えられた画像を特定の特性を示す複数の領域に分割する変分多クラスセグメンテーションスキームを提案し,解析し,実現する。
異なるチャネルからのエネルギー汎関数結合情報を最小化することにより、セグメンテーション領域を符号化する複数の関数を決定する。
特定のマルチチャネルフィルタリングを用いて高次元の特徴空間に画像を持ち上げることで、またはRGB画像やマルチモーダル医療データなど、検討中の画像モダリティによって既に提供されることができる。
実験の結果,提案手法は様々なシナリオで有効であることがわかった。
特に,脳膿瘍の分類と腫瘍増殖の2つの医学的応用について有望な結果が得られた。
主な理論的貢献として、提案したエネルギー関数のグローバル最小化器の存在を証明し、ノイズ入力に対する安定性と収束性を示す。
特に、これらの結果はバイナリセグメンテーションの特殊な場合にも当てはまり、この特定の状況においてもこれらの結果は新規である。
関連論文リスト
- Modality-agnostic Domain Generalizable Medical Image Segmentation by Multi-Frequency in Multi-Scale Attention [1.1155836879100416]
医用画像セグメンテーションのためのModality-Agnostic Domain Generalizable Network (MADGNet)を提案する。
MFMSAブロックは空間的特徴抽出の過程を洗練させる。
E-SDMは、深い監督を伴うマルチタスク学習における情報損失を軽減する。
論文 参考訳（メタデータ） (2024-05-10T07:34:36Z) - MLN-net: A multi-source medical image segmentation method for clustered
microcalcifications using multiple layer normalization [8.969596531778121]
本稿では,MLN-netという新しいフレームワークを提案する。
本稿では,異なる領域のクラスタ化マイクロ石灰化セグメンテーションにおけるMLN-netの有効性を検証した。
論文 参考訳（メタデータ） (2023-09-06T05:56:30Z) - Two Approaches to Supervised Image Segmentation [55.616364225463066]
本研究は、深層学習とマルチセットニューロンのアプローチの比較実験を開発する。
ディープラーニングアプローチは、画像セグメンテーションの実行の可能性を確認した。
代替のマルチセット手法では、計算資源をほとんど必要とせずに精度を向上することができた。
論文 参考訳（メタデータ） (2023-07-19T16:42:52Z) - Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。
提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。
その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
論文 参考訳（メタデータ） (2023-04-10T17:58:22Z) - M$^{2}$SNet: Multi-scale in Multi-scale Subtraction Network for Medical
Image Segmentation [73.10707675345253]
医用画像から多様なセグメンテーションを仕上げるマルチスケールサブトラクションネットワーク(M$2$SNet)を提案する。
本手法は,4つの異なる医用画像セグメンテーションタスクの11つのデータセットに対して,異なる評価基準の下で,ほとんどの最先端手法に対して好意的に機能する。
論文 参考訳（メタデータ） (2023-03-20T06:26:49Z) - Multi-Modal Evaluation Approach for Medical Image Segmentation [4.989480853499916]
本稿では,異なるセグメンテーション手法の有効性を評価するために,新しいマルチモーダル評価(MME)手法を提案する。
本稿では, 検出特性, 境界アライメント, 均一性, 総体積, 相対体積など, 関連性, 解釈可能な新しい特徴を紹介する。
提案するアプローチはオープンソースで,使用することができる。
論文 参考訳（メタデータ） (2023-02-08T15:31:33Z) - Generalizable multi-task, multi-domain deep segmentation of sparse
pediatric imaging datasets via multi-scale contrastive regularization and
multi-joint anatomical priors [0.41998444721319217]
本稿では,複数のデータセットに対して単一セグメンテーションネットワークを最適化する,新しいマルチタスク・マルチドメイン学習フレームワークを提案する。
足関節, 膝関節, 肩関節の3つの軽度, 小児画像データセットを用いた骨分節術の成績について検討した。
論文 参考訳（メタデータ） (2022-07-27T12:59:16Z) - Modality Completion via Gaussian Process Prior Variational Autoencoders
for Multi-Modal Glioma Segmentation [75.58395328700821]
本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。
MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。
4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
論文 参考訳（メタデータ） (2021-07-07T19:06:34Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳（メタデータ） (2020-12-10T04:01:07Z) - Max-Fusion U-Net for Multi-Modal Pathology Segmentation with Attention
and Dynamic Resampling [13.542898009730804]
関連するアルゴリズムの性能は、マルチモーダル情報の適切な融合によって大きく影響を受ける。
We present the Max-Fusion U-Net that achieve a improve pathology segmentation performance。
マルチシーケンスCMRデータセットを併用したMyoPS(Myocardial pathology segmentation)を用いて,本手法の評価を行った。
論文 参考訳（メタデータ） (2020-09-05T17:24:23Z) - Pathological Retinal Region Segmentation From OCT Images Using Geometric
Relation Based Augmentation [84.7571086566595]
本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。
提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
論文 参考訳（メタデータ） (2020-03-31T11:50:43Z)
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。