論文の概要: A novel shape-based loss function for machine learning-based seminal
organ segmentation in medical imaging
- arxiv url: http://arxiv.org/abs/2203.03336v1
- Date: Mon, 7 Mar 2022 12:26:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-08 18:35:20.586679
- Title: A novel shape-based loss function for machine learning-based seminal
organ segmentation in medical imaging
- Title（参考訳）: 医用画像における機械学習に基づく精器官分割のための新しい形状的損失関数
- Authors: Reza Karimzadeh, Emad Fatemizadeh, Hossein Arabi
- Abstract要約: 深部畳み込みニューラルネットワークは、正確かつ自動セミナルセグメンテーションにおいて有望な性能を示した。
ネットワークが基礎となる形状の特徴を学習・把握することを奨励・抑制する,新しい形状に基づくコスト関数を提案する。
- 参考スコア（独自算出の注目度）: 1.0312968200748116
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automated medical image segmentation is an essential task to aid/speed up
diagnosis and treatment procedures in clinical practices. Deep convolutional
neural networks have exhibited promising performance in accurate and automatic
seminal segmentation. For segmentation tasks, these methods normally rely on
minimizing a cost/loss function that is designed to maximize the overlap
between the estimated target and the ground-truth mask delineated by the
experts. A simple loss function based on the degrees of overlap (i.e., Dice
metric) would not take into account the underlying shape and morphology of the
target subject, as well as its realistic/natural variations; therefore,
suboptimal segmentation results would be observed in the form of islands of
voxels, holes, and unrealistic shapes or deformations. In this light, many
studies have been conducted to refine/post-process the segmentation outcome and
consider an initial guess as prior knowledge to avoid outliers and/or
unrealistic estimations. In this study, a novel shape-based cost function is
proposed which encourages/constrains the network to learn/capture the
underlying shape features in order to generate a valid/realistic estimation of
the target structure. To this end, the Principal Component Analysis (PCA) was
performed on a vectorized training dataset to extract eigenvalues and
eigenvectors of the target subjects. The key idea was to use the reconstruction
weights to discriminate valid outcomes from outliers/erroneous estimations.
- Abstract（参考訳）: 医療画像の自動分割は臨床における診断と治療の迅速化に欠かせない課題である。
深部畳み込みニューラルネットワークは、正確かつ自動セミナルセグメンテーションにおいて有望な性能を示した。
セグメンテーションのタスクでは、これらの手法は通常、推定目標と専門家によって規定された地道マスクとの重なりを最大化するために設計されたコスト/損失関数を最小化する。
重なりの程度(すなわちサイス計量)に基づく単純な損失関数は、対象対象の基本的な形状や形態や現実的・自然な変化を考慮に入れず、ボクセル、穴、非現実的な形状や変形といった形で準最適セグメンテーションの結果が観察される。
この観点から、セグメンテーションの結果を精錬/後処理し、初期推測を、外れ値や非現実的な推定を避けるための事前知識として考える多くの研究がなされている。
そこで本研究では,ネットワークが対象構造の有効かつ現実的な推定を行うために,基礎となる形状特徴の学習/取得を奨励する新たな形状ベースコスト関数を提案する。
そこで,ベクトル化学習データセット上で主成分分析(pca)を行い,対象者の固有値と固有ベクトルを抽出する。
鍵となるアイデアは、リコンストラクションの重みを使って、外れ値/誤推定から正当な結果を判別することであった。
関連論文リスト
- SINDER: Repairing the Singular Defects of DINOv2 [61.98878352956125]
大規模なデータセットでトレーニングされたビジョントランスフォーマーモデルは、抽出したパッチトークンにアーティファクトを表示することが多い。
本稿では,小さなデータセットのみを用いて構造欠陥を補正するスムーズなスムーズな正規化を提案する。
論文 参考訳（メタデータ） (2024-07-23T20:34:23Z) - Shape Matters: Detecting Vertebral Fractures Using Differentiable
Point-Based Shape Decoding [51.38395069380457]
変性性脊椎疾患は高齢者に多い。
骨粗しょう性骨折やその他の変性変形性骨折のタイムリーな診断は、重度の腰痛や障害のリスクを軽減するための前向きな処置を促進する。
本研究では,脊椎動物に対する形状自動エンコーダの使用について検討する。
論文 参考訳（メタデータ） (2023-12-08T18:11:22Z) - A Novel Information-Theoretic Objective to Disentangle Representations
for Fair Classification [46.884905701771004]
そのような非絡み合った表現に対する主な応用の1つは、公平な分類である。
我々は、この問題の情報理論的視点を採用し、レギュレータの新しいファミリーを動機付けている。
結果として得られた損失はCLINICと呼ばれ、パラメータフリーである。
論文 参考訳（メタデータ） (2023-10-21T12:35:48Z) - Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。
提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文 参考訳（メタデータ） (2023-10-11T05:49:47Z) - Fuzzy Attention Neural Network to Tackle Discontinuity in Airway
Segmentation [67.19443246236048]
気道セグメンテーションは肺疾患の検査、診断、予後に重要である。
いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。
本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
論文 参考訳（メタデータ） (2022-09-05T16:38:13Z) - Self-Supervised-RCNN for Medical Image Segmentation with Limited Data
Annotation [0.16490701092527607]
ラベルなしMRIスキャンによる自己教師付き事前学習に基づく新たなディープラーニング学習戦略を提案する。
我々の事前学習アプローチはまず、ラベルのない画像のランダム領域に異なる歪みをランダムに適用し、次に歪みの種類と情報の損失を予測する。
異なる事前学習シナリオと微調整シナリオにおけるセグメンテーション課題に対する提案手法の有効性を評価する。
論文 参考訳（メタデータ） (2022-07-17T13:28:52Z) - Unsupervised Domain Adaptation through Shape Modeling for Medical Image
Segmentation [23.045760366698634]
医用画像のセグメンテーションを支援するために, 形状を明示的にモデル化し, 利用することを目的としている。
従来の方法では、特定の臓器の形状の分布を学習するための変分オートエンコーダ(VAE)モデルが提案されていた。
本研究では,教師/学生の学習パラダイムの下で,擬似的損失とVAE再構成損失に基づく教師なしドメイン適応パイプラインを提案する。
論文 参考訳（メタデータ） (2022-07-06T09:16:42Z) - Learning Fuzzy Clustering for SPECT/CT Segmentation via Convolutional
Neural Networks [5.3123694982708365]
QBSPECT(Quantitative bone single-photon emission Computed Tomography)は、平面骨シンチグラフィよりも骨転移をより定量的に評価する可能性を秘めています。
解剖学的領域-関心(ROI)のセグメント化は、まだ専門家による手動の記述に大きく依存しています。
本研究では,QBSPECT画像を病変,骨,背景に分割するための高速かつ堅牢な自動分割法を提案する。
論文 参考訳（メタデータ） (2021-04-17T19:03:52Z) - 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) - Learning to Segment Anatomical Structures Accurately from One Exemplar [34.287877547953194]
大量の注釈付きトレーニング画像を用いることなく、正確な解剖学的構造セグメンテーションを作成できる方法は、非常に望ましい。
本研究では,自然に組み込まれたループ機構を備えたワンショット解剖セグメントであるContour Transformer Network (CTN)を提案する。
筆者らのワンショット学習法は,非学習に基づく手法を著しく上回り,最先端の完全教師付きディープラーニングアプローチと競争的に機能することを示した。
論文 参考訳（メタデータ） (2020-07-06T20:27:38Z) - Collaborative Boundary-aware Context Encoding Networks for Error Map
Prediction [65.44752447868626]
本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。
具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。
AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
論文 参考訳（メタデータ） (2020-06-25T12:42:01Z)
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。