論文の概要: Relative distance matters for one-shot landmark detection

• arxiv url: http://arxiv.org/abs/2203.01687v2
• Date: Fri, 4 Mar 2022 05:54:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-07 13:11:03.078468
• Title: Relative distance matters for one-shot landmark detection
• Title（参考訳）: ワンショットランドマーク検出のための相対距離問題
• Authors: Qingsong Yao and Jianji Wang and Yihua Sun and Quan Quan and Heqin Zhu and S. Kevin Zhou
• Abstract要約: 訓練段階において, 簡易効率の相対距離バイアスを組み込むことで, 検出値(CC2D)をバージョンIIと比較したカスケードをアップグレードする。 CC2Dv2は正しいランドマークから遠く離れた地点を検出できない。 我々は,下肢の生体力学的パラメータを測定するための,オープンソースのランドマークラベル付きデータセットを提案する。
• 参考スコア（独自算出の注目度）: 16.032695993409853
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Contrastive learning based methods such as cascade comparing to detect (CC2D) have shown great potential for one-shot medical landmark detection. However, the important cue of relative distance between landmarks is ignored in CC2D. In this paper, we upgrade CC2D to version II by incorporating a simple-yet-effective relative distance bias in the training stage, which is theoretically proved to encourage the encoder to project the relatively distant landmarks to the embeddings with low similarities. As consequence, CC2Dv2 is less possible to detect a wrong point far from the correct landmark. Furthermore, we present an open-source, landmark-labeled dataset for the measurement of biomechanical parameters of the lower extremity to alleviate the burden of orthopedic surgeons. The effectiveness of CC2Dv2 is evaluated on the public dataset from the ISBI 2015 Grand-Challenge of cephalometric radiographs and our new dataset, which greatly outperforms the state-of-the-art one-shot landmark detection approaches.
• Abstract（参考訳）: カスケード比較(CC2D)のような対照的な学習に基づく手法は、一発的医学的ランドマーク検出に大きな可能性を示している。 しかし、CC2Dではランドマーク間の相対距離の重要なキューは無視されている。 本稿では,比較的離れたランドマークを比較的類似度の低い埋め込みに投影することを理論的に促進することが証明された訓練段階において,単純なyet効率の相対距離バイアスを組み込むことで,CC2DをバージョンIIにアップグレードする。 その結果、CC2Dv2は正しいランドマークから遠く離れた地点を検出できない。 さらに,整形外科手術者の負担を軽減するために,下肢の生体力学的パラメータを測定するためのオープンソースのランドマークラベルデータセットを提案する。 CC2Dv2の有効性は、ISBI 2015 Grand-Challenge of cephalometric radiographsと我々の新しいデータセットの公開データセットで評価され、最先端のワンショットランドマーク検出アプローチよりも大幅に優れている。

関連論文リスト

• FM-OSD: Foundation Model-Enabled One-Shot Detection of Anatomical Landmarks [44.54301473673582]
  医用画像のランドマーク検出を高精度に行うための,最初の基礎モデル付きワンショットランドマーク検出(FM-OSD)フレームワークを提案する。 本手法は,単一のテンプレート画像のみを用いることで,最先端のワンショットランドマーク検出法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-07-07T15:37:02Z)
• Learning Feature Inversion for Multi-class Anomaly Detection under General-purpose COCO-AD Benchmark [101.23684938489413]
  異常検出(AD)は、しばしば産業品質検査や医学的病変検査のための異常の検出に焦点が当てられている。 この研究はまず、COCOをADフィールドに拡張することにより、大規模で汎用的なCOCO-ADデータセットを構築する。 セグメンテーション分野のメトリクスにインスパイアされた我々は、より実用的なしきい値に依存したAD固有のメトリクスをいくつか提案する。
  論文  参考訳（メタデータ） (2024-04-16T17:38:26Z)
• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• The Overlooked Classifier in Human-Object Interaction Recognition [82.20671129356037]
  クラス間の意味的相関を分類ヘッドにエンコードし,重みをHOIの言語埋め込みで初期化する。 我々は,LSE-Sign という新しい損失を,長い尾を持つデータセット上でのマルチラベル学習を強化するために提案する。 我々は,物体検出と人間のポーズを明確なマージンで求める最先端技術よりも優れた,検出不要なHOI分類を可能にする。
  論文  参考訳（メタデータ） (2022-03-10T23:35:00Z)
• The KFIoU Loss for Rotated Object Detection [115.334070064346]
  本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。 具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。 KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
  論文  参考訳（メタデータ） (2022-01-29T10:54:57Z)
• Real-time landmark detection for precise endoscopic submucosal dissection via shape-aware relation network [51.44506007844284]
  内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。 まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。 次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
  論文  参考訳（メタデータ） (2021-11-08T07:57:30Z)
• Fiducial marker recovery and detection from severely truncated data in navigation assisted spine surgery [5.731349529280083]
  ナビゲーション支援ミニマル侵襲脊椎手術(MISS)で一般的に使用されるフィデューシャルマーカー 実際には、これらのマーカーは、C-arm cone-beam Computed Tomography (CBCT) システムの限られた検出器サイズのため、視野の外に位置する可能性がある。 歪みマーカーからの直接検出(ダイレクトメソッド)とマーカー回復後の検出(リカバリ手法)の2つのファデューシャルマーカー検出手法を提案する。
  論文  参考訳（メタデータ） (2021-08-25T13:52:58Z)
• Learn Fine-grained Adaptive Loss for Multiple Anatomical Landmark Detection in Medical Images [15.7026400415269]
  本稿ではランドマーク検出のための新しい学習学習フレームワークを提案する。 提案手法は汎用的であり,解剖学的ランドマーク検出の効率向上の可能性を示す。
  論文  参考訳（メタデータ） (2021-05-19T13:39:18Z)
• One-Shot Medical Landmark Detection [11.213814977894314]
  本研究では,Cased Comparing to Detect (CC2D) という,ランドマーク検出のための新しいフレームワークを提案する。 CC2Dは,1)自己指導学習(CC2D-SSL)と2)擬似ラベル(CC2D-TPL)の2段階からなる。 CC2Dの有効性は4.0mm以内の81.01%の競争の検出の正確さを達成する頭蓋骨のランドマークの検出の広く利用された公開データセットで評価されます。
  論文  参考訳（メタデータ） (2021-03-08T03:16:53Z)
• Dense Label Encoding for Boundary Discontinuity Free Rotation Detection [69.75559390700887]
  本稿では,分類に基づく比較的研究の少ない方法論について検討する。 我々は2つの側面でフロンティアを推し進めるための新しい手法を提案する。 航空画像のための大規模公開データセットの実験と視覚解析は,我々のアプローチの有効性を示している。
  論文  参考訳（メタデータ） (2020-11-19T05:42:02Z)

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。