論文の概要: Topology-Preserving Segmentation Network: A Deep Learning Segmentation
Framework for Connected Component
- arxiv url: http://arxiv.org/abs/2202.13331v1
- Date: Sun, 27 Feb 2022 09:56:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-01 17:08:36.386116
- Title: Topology-Preserving Segmentation Network: A Deep Learning Segmentation
Framework for Connected Component
- Title（参考訳）: Topology-Preserving Segmentation Network: Connected Componentのためのディープラーニングセグメンテーションフレームワーク
- Authors: Han Zhang, Lok Ming Lui
- Abstract要約: 医用画像では、腎臓や肺などの構造のトポロジーが通常知られている。
イットトポロジ保存セグメンテーションネットワーク(TPSN)をトレーニングし、正確なセグメンテーション結果を与える。
TPSNは、UNetを通して変形マップを生成する変形ベースのモデルである。
本稿では,画像のマルチレベル情報を組み込んだマルチスケールTPSNを開発し,より正確なセグメンテーション結果を生成する。
- 参考スコア（独自算出の注目度）: 7.95119530218428
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Medical image segmentation, which aims to automatically extract anatomical or
pathological structures, plays a key role in computer-aided diagnosis and
disease analysis. Despite the problem has been widely studied, existing methods
are prone to topological errors. In medical imaging, the topology of the
structure, such as the kidney or lung, is usually known. Preserving the
topology of the structure in the segmentation process is of utmost importance
for accurate image analysis. In this work, a novel learning-based segmentation
model is proposed. A {\it topology-preserving segmentation network (TPSN)} is
trained to give an accurate segmentation result of an input image that
preserves the prescribed topology. TPSN is a deformation-based model that
yields a deformation map through a UNet, which takes the medical image and a
template mask as inputs. The main idea is to deform a template mask describing
the prescribed topology by a diffeomorphism to segment the object in the image.
The topology of the shape in the template mask is well preserved under the
diffeomorphic map. The diffeomorphic property of the map is controlled by
introducing a regularization term related to the Jacobian in the loss function.
As such, a topology-preserving segmentation result can be guaranteed.
Furthermore, a multi-scale TPSN is developed in this paper that incorporates
multi-level information of images to produce more precise segmentation results.
To evaluate our method, we applied the 2D TPSN on Ham10000 and 3D TPSN on
KiTS21. Experimental results illustrate our method outperforms the baseline
UNet segmentation model with/without connected-component analysis (CCA) by both
the dice score and IoU score. Besides, results show that our method can produce
reliable results even in challenging cases, where pixel-wise segmentation
models by UNet and CCA fail to obtain accurate results.
- Abstract（参考訳）: 解剖学的または病理的構造を自動的に抽出することを目的とした医用画像分割は、コンピュータ支援診断および疾患解析において重要な役割を果たす。
この問題は広く研究されているが、既存の手法は位相的誤差がちである。
医学的イメージングでは、腎臓や肺などの構造のトポロジーが一般的に知られている。
セグメンテーション過程における構造のトポロジーを保つことは、正確な画像解析にとって最も重要である。
本稿では,新しい学習に基づくセグメンテーションモデルを提案する。
所定のトポロジを保存する入力画像の正確なセグメンテーション結果を与えるために、TPSN( {\displaystyle {\it Topology-serving segmentation Network)を訓練する。
TPSNは、UNetを通じて変形マップを生成する変形ベースのモデルであり、医療画像とテンプレートマスクを入力として取り込む。
主なアイデアは、所定のトポロジーを記述するテンプレートマスクを微分同相法で変形して、オブジェクトを画像にセグメントすることである。
テンプレートマスクの形状のトポロジーは、二相写像の下でよく保存される。
写像の双相的性質は損失関数にジャコビアンに関連する正規化項を導入することによって制御される。
これにより、トポロジー保存セグメンテーション結果が保証される。
さらに,画像のマルチレベル情報を組み込んだマルチスケールTPSNを開発し,より正確なセグメンテーション結果を生成する。
本手法を評価するために,ham10000に2d tpsnを,kits21に3d tpsnを適用した。
実験結果から,本手法はダイススコアとIoUスコアの両方で,連結成分分析(CCA)を伴わないベースラインUNetセグメンテーションモデルよりも優れていた。
さらに,UNet と CCA による画素分割モデルでは正確な結果が得られなかった場合においても,本手法は信頼性の高い結果が得られることを示す。
関連論文リスト
- PI-Att: Topology Attention for Segmentation Networks through Adaptive Persistence Image Representation [1.4680035572775534]
我々は,新たなトポロジ認識損失関数を導入し,ネットワークに対して,地上の真実と予測マップのトポロジ的相違を最小化するよう強制する。
セグメント化ネットワーク損失の文脈において,各マップのトポロジを永続画像表現によって定量化する。
提案したPI-Att損失は, 大動脈と大血管のセグメンテーションの2つの異なるデータセットで評価された。
論文 参考訳（メタデータ） (2024-08-15T09:06:49Z) - RRWNet: Recursive Refinement Network for Effective Retinal Artery/Vein Segmentation and Classification [0.8386558353546658]
網膜血管の徹底的な解析は、血管の分画と動脈と静脈への分類を必要とする。
本稿では,この制限に対処する新しいエンドツーエンドディープラーニングフレームワークRRWNetを紹介する。
特にRRWNetは、入力画像からベースセグメンテーションマップを生成するBaseサブネットワークと、これらのマップを反復的に改善するRecursive Refinementサブネットワークである。
論文 参考訳（メタデータ） (2024-02-05T16:35:29Z) - EmerDiff: Emerging Pixel-level Semantic Knowledge in Diffusion Models [52.3015009878545]
我々は、追加の訓練をすることなく、きめ細かなセグメンテーションマップを生成できる画像セグメンタを開発した。
低次元特徴写像の空間的位置と画像画素間の意味的対応を同定する。
大規模な実験では、生成したセグメンテーションマップがよく説明され、画像の細部を捉えることが示されている。
論文 参考訳（メタデータ） (2024-01-22T07:34:06Z) - ReshapeIT: Reliable Shape Interaction with Implicit Template for Anatomical Structure Reconstruction [59.971808117043366]
ReShapeITは、同じカテゴリ内で共有される暗黙のテンプレートフィールドを持つ解剖学的構造を表す。
これにより、インスタンス形状とテンプレート形状との対応性の制約を強化することにより、暗黙テンプレートフィールドが有効なテンプレートを生成する。
テンプレートインタラクションモジュールは、有効なテンプレートシェイプとインスタンスワイドの潜在コードとを相互作用することで、目に見えないシェイプを再構築するために導入される。
論文 参考訳（メタデータ） (2023-12-11T07:09:32Z) - Topology-Aware Loss for Aorta and Great Vessel Segmentation in Computed
Tomography Images [1.4680035572775534]
本稿では, 地平と予測のトポロジの相違を罰する新たなトポロジ認識損失関数を提案する。
4327枚のCT画像から,提案したトポロジ・アウェア・ロス関数がそれより優れた結果をもたらすことが明らかとなった。
論文 参考訳（メタデータ） (2023-07-06T17:06:49Z) - CGAM: Click-Guided Attention Module for Interactive Pathology Image
Segmentation via Backpropagating Refinement [8.590026259176806]
腫瘍領域のセグメンテーションは、デジタル病理の定量的解析に欠かせない課題である。
最近のディープニューラルネットワークは、様々な画像分割タスクで最先端のパフォーマンスを示している。
本稿では,クリック型ユーザインタラクションによるディープニューラルネットワークの出力を改良する対話的セグメンテーション手法を提案する。
論文 参考訳（メタデータ） (2023-07-03T13:45:24Z) - Self-Supervised Correction Learning for Semi-Supervised Biomedical Image
Segmentation [84.58210297703714]
半教師付き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自己教師付き補正学習パラダイムを提案する。
共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。
異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
論文 参考訳（メタデータ） (2023-01-12T08:19:46Z) - A Learning-based Framework for Topology-Preserving Segmentation using Quasiconformal Mappings [3.4798343542796593]
画像中の物体を位相特性を維持しながら抽出できる変形モデルを提案する。
このネットワークは、限られたデータでトレーニングされた場合でも、テンプレートマスクと同じトポロジを持つセグメンテーションマスクを生成する。
論文 参考訳（メタデータ） (2022-10-07T03:13:35Z) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳（メタデータ） (2022-04-19T10:41:09Z) - PSGR: Pixel-wise Sparse Graph Reasoning for COVID-19 Pneumonia
Segmentation in CT Images [83.26057031236965]
画像中の新型コロナウイルス感染領域セグメンテーションの長距離依存性のモデリングを強化するために,PSGRモジュールを提案する。
PSGRモジュールは不正確なピクセルからノードへの投影を回避し、グローバルな推論のために各ピクセル固有の情報を保存する。
このソリューションは、3つの公開データセット上の4つの広く使われているセグメンテーションモデルに対して評価されている。
論文 参考訳（メタデータ） (2021-08-09T04:58:23Z) - Automatic size and pose homogenization with spatial transformer network
to improve and accelerate pediatric segmentation [51.916106055115755]
空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。
私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。
腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
論文 参考訳（メタデータ） (2021-07-06T14:50:03Z)
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。