論文の概要: DTU-Net: Learning Topological Similarity for Curvilinear Structure
Segmentation
- arxiv url: http://arxiv.org/abs/2205.11115v1
- Date: Mon, 23 May 2022 08:15:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-25 10:57:22.822768
- Title: DTU-Net: Learning Topological Similarity for Curvilinear Structure
Segmentation
- Title（参考訳）: dtu-net: 線形構造分割のための学習トポロジカル類似性
- Authors: Manxi Lin, Zahra Bashir, Martin Gr{\o}nneb{\ae}k Tolsgaard, Anders
Nymark Christensen, Aasa Feragen
- Abstract要約: 本稿では,2つの重み付きU-Netからなる2重デコーダとトポロジ対応ディープニューラルネットワークDTU-Netを提案する。
テクスチャネットは、画像テクスチャ情報を用いて粗い予測を行う。
トポロジネットは、誤りとミスの分割を認識するために訓練された三重項損失を用いることで、粗い予測からトポロジ情報を学習する。
- 参考スコア（独自算出の注目度）: 2.9398911304923447
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Curvilinear structure segmentation plays an important role in many
applications. The standard formulation of segmentation as pixel-wise
classification often fails to capture these structures due to the small size
and low contrast. Some works introduce prior topological information to address
this problem with the cost of expensive computations and the need for extra
labels. Moreover, prior work primarily focuses on avoiding false splits by
encouraging the connection of small gaps. Less attention has been given to
avoiding missed splits, namely the incorrect inference of structures that are
not visible in the image.
In this paper, we present DTU-Net, a dual-decoder and topology-aware deep
neural network consisting of two sequential light-weight U-Nets, namely a
texture net, and a topology net. The texture net makes a coarse prediction
using image texture information. The topology net learns topological
information from the coarse prediction by employing a triplet loss trained to
recognize false and missed splits, and provides a topology-aware separation of
the foreground and background. The separation is further utilized to correct
the coarse prediction. We conducted experiments on a challenging multi-class
ultrasound scan segmentation dataset and an open dataset for road extraction.
Results show that our model achieves state-of-the-art results in both
segmentation accuracy and continuity. Compared to existing methods, our model
corrects both false positive and false negative examples more effectively with
no need for prior knowledge.
- Abstract（参考訳）: 曲線構造セグメンテーションは多くの応用において重要な役割を果たす。
ピクセル単位の分類としてのセグメンテーションの標準的な定式化は、小さいサイズと低いコントラストのため、しばしばこれらの構造を捉えることに失敗する。
いくつかの作品では、高価な計算コストと余分なラベルの必要性でこの問題に対処するために、事前トポロジカル情報を導入する。
さらに、以前の作業は、小さなギャップの接続を奨励することで、誤った分割を避けることに重点を置いている。
ミススプリットを避けるためにあまり注意が払われていない、すなわち画像に見えない構造の誤った推論である。
本稿では,2つの重み付きU-Net(テクスチャネット)とトポロジーネット(トポロジーネット)からなる,デュアルデコーダとトポロジー対応のディープニューラルネットワークDTU-Netを提案する。
テクスチャネットは、画像テクスチャ情報を用いて粗い予測を行う。
トポロジネットは、誤りや失敗を認識させるために訓練された三重項損失を用いて粗い予測からトポロジ情報を学習し、フォアグラウンドとバックグラウンドをトポロジ対応で分離する。
さらに分離を利用して粗い予測を補正する。
道路抽出のための複数クラス超音波スキャンセグメンテーションデータセットとオープンデータセットについて実験を行った。
その結果,本モデルはセグメンテーション精度と連続性を両立できることがわかった。
既存の手法と比較して,偽陽性例と偽陰性例の両方を,事前知識を必要とせず効果的に修正する。
関連論文リスト
- Deep Loss Convexification for Learning Iterative Models [11.36644967267829]
点雲登録のための反復的最近点(ICP)のような反復的手法は、しばしば悪い局所最適性に悩まされる。
我々は,各地真実の周囲に凸景観を形成する学習を提案する。
論文 参考訳（メタデータ） (2024-11-16T01:13:04Z) - 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) - 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) - BuyTheDips: PathLoss for improved topology-preserving deep
learning-based image segmentation [1.8899300124593648]
本稿では,新しいリーク損失であるPathlossに依存する新しいディープイメージセグメンテーション手法を提案する。
本手法は,異なる性質の2つの代表的なデータセットに対して,最先端のトポロジ認識手法より優れる。
論文 参考訳（メタデータ） (2022-07-23T07:19:30Z) - Topology-Preserving Segmentation Network: A Deep Learning Segmentation
Framework for Connected Component [7.95119530218428]
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。
論文 参考訳（メタデータ） (2022-02-27T09:56:33Z) - TA-Net: Topology-Aware Network for Gland Segmentation [71.52681611057271]
本研究では, 密集した腺と高度に変形した腺を正確に分離する新しいトポロジ・アウェア・ネットワーク(TA-Net)を提案する。
TA-Netはマルチタスク学習アーキテクチャを持ち、腺セグメンテーションの一般化を強化する。
2つのデータセットで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2021-10-27T17:10:58Z) - Residual Moment Loss for Medical Image Segmentation [56.72261489147506]
位置情報は,対象物体の多様体構造を捉えた深層学習モデルに有効であることが証明された。
既存のほとんどの手法は、ネットワークが学習するために、位置情報を暗黙的にエンコードする。
セグメント化対象の位置情報を明示的に埋め込むために,新しい損失関数,すなわち残差モーメント(RM)損失を提案する。
論文 参考訳（メタデータ） (2021-06-27T09:31:49Z) - Generic Perceptual Loss for Modeling Structured Output Dependencies [78.59700528239141]
トレーニングされた重みではなく、ネットワーク構造が重要であることを示す。
我々は、出力の構造化依存関係をモデル化するためにランダムに重み付けされたディープcnnが使用できることを実証する。
論文 参考訳（メタデータ） (2021-03-18T23:56:07Z) - Spatio-Temporal Inception Graph Convolutional Networks for
Skeleton-Based Action Recognition [126.51241919472356]
我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。
ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
論文 参考訳（メタデータ） (2020-11-26T14:43:04Z) - Pairwise Relation Learning for Semi-supervised Gland Segmentation [90.45303394358493]
病理組織像における腺分節に対するPRS2モデルを提案する。
このモデルはセグメンテーションネットワーク(S-Net)とペア関係ネットワーク(PR-Net)から構成される。
我々は,GlaSデータセットの最近の5つの手法とCRAGデータセットの最近の3つの手法を比較した。
論文 参考訳（メタデータ） (2020-08-06T15:02:38Z) - Learning to segment from misaligned and partial labels [0.0]
アーバン以外の多くの設定は、正確なセグメンテーションに必要な基盤構造を欠いている。
OpenStreetMaps (OSM)のようなオープンソースのインフラストラクチャアノテーションがこの問題を代表している。
本稿では,不整合アノテーションと欠落アノテーションを付与した画素画像分割を改良した,新規で一般化可能な2段階のフレームワークを提案する。
論文 参考訳（メタデータ） (2020-05-27T06:02:58Z)
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。