論文の概要: Learning Probabilistic Structural Representation for Biomedical Image Segmentation

• arxiv url: http://arxiv.org/abs/2206.01742v1
• Date: Fri, 3 Jun 2022 06:00:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-07 17:14:28.202698
• Title: Learning Probabilistic Structural Representation for Biomedical Image Segmentation
• Title（参考訳）: 生体画像分割のための確率的構造表現の学習
• Authors: Xiaoling Hu, Dimitris Samaras and Chao Chen
• Abstract要約: 構造表現を学習する最初の深層学習法を提案する。 我々は、この手法の強み、すなわち位相的整合性の良いピクセルマップよりも真の構造を生成することを実証的に示す。
• 参考スコア（独自算出の注目度）: 37.07198480786721
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate segmentation of various fine-scale structures from biomedical images is a very important yet challenging problem. Existing methods use topological information as an additional training loss, but are ultimately learning a pixel-wise representation. In this paper, we propose the first deep learning method to learn a structural representation. We use discrete Morse theory and persistent homology to construct an one-parameter family of structures as the structural representation space. Furthermore, we learn a probabilistic model that can do inference tasks on such a structural representation space. We empirically demonstrate the strength of our method, i.e., generating true structures rather than pixel-maps with better topological integrity, and facilitating a human-in-the-loop annotation pipeline using the sampling of structures and structure-aware uncertainty.
• Abstract（参考訳）: バイオメディカル画像からの様々な微細構造の正確なセグメンテーションは、非常に重要かつ困難な問題である。 既存の手法では、トポロジカルな情報を追加のトレーニング損失として使用するが、最終的にはピクセル単位の表現を学習している。 本稿では,構造表現を学習するための最初の深層学習法を提案する。 離散モース理論と永続ホモロジーを用いて、構造表現空間として構造の1パラメータ族を構成する。 さらに、そのような構造的表現空間上で推論タスクを実行できる確率モデルを学習する。 提案手法の強み,すなわち,トポロジ的整合性に優れた画素マップよりも真の構造を生成すること,構造と構造認識の不確かさのサンプリングを応用した人間のループ内アノテーションパイプラインの実現を実証的に示す。

関連論文リスト

• Learning Topological Representations for Deep Image Understanding [8.698159165261542]
  深層学習フレームワークにおけるトポロジカル構造の新しい表現法を提案する。 我々は、トポロジカルデータ解析の数学的ツールを活用し、より良いセグメンテーションと不確実性推定のための原理的手法を開発した。
  論文  参考訳（メタデータ） (2024-03-22T17:23:37Z)
• Bayesian Unsupervised Disentanglement of Anatomy and Geometry for Deep Groupwise Image Registration [50.62725807357586]
  本稿では,マルチモーダル群画像登録のための一般ベイズ学習フレームワークを提案する。 本稿では,潜在変数の推論手順を実現するために,新しい階層的変分自動符号化アーキテクチャを提案する。 心臓、脳、腹部の医療画像から4つの異なるデータセットを含む,提案された枠組みを検証する実験を行った。
  論文  参考訳（メタデータ） (2024-01-04T08:46:39Z)
• A Recursive Bateson-Inspired Model for the Generation of Semantic Formal Concepts from Spatial Sensory Data [77.34726150561087]
  本稿では,複雑な感覚データから階層構造を生成するための記号のみの手法を提案する。 このアプローチは、概念や概念の創始の鍵としてのバテソンの差異の概念に基づいている。 このモデルは、トレーニングなしでかなりリッチだが人間に読まれる概念表現を生成することができる。
  論文  参考訳（メタデータ） (2023-07-16T15:59:13Z)
• Kartezio: Evolutionary Design of Explainable Pipelines for Biomedical Image Analysis [0.0]
  本稿では,透過的で容易に解釈可能な画像処理パイプラインを生成する計算戦略であるKartezioを紹介する。 それによって生成されたパイプラインは、インスタンスセグメンテーションタスクにおける最先端のDeep Learningアプローチに匹敵する精度を示す。 また、実世界の4つのユースケースにおけるセマンティックスとインスタンスセグメンテーションの問題を解決するためにKartezioをデプロイしました。
  論文  参考訳（メタデータ） (2023-02-28T17:02:35Z)
• Linear Spaces of Meanings: Compositional Structures in Vision-Language Models [110.00434385712786]
  事前学習された視覚言語モデル(VLM)からのデータ埋め込みにおける構成構造について検討する。 まず,幾何学的観点から構成構造を理解するための枠組みを提案する。 次に、これらの構造がVLM埋め込みの場合の確率論的に持つものを説明し、実際に発生する理由の直観を提供する。
  論文  参考訳（メタデータ） (2023-02-28T08:11:56Z)
• Discrete Latent Structure in Neural Networks [32.41642110537956]
  このテキストは、離散的な潜在構造を持つ学習のための3つの広義の戦略を探求する。 たいていは、同じ基本ブロックの小さなセットで構成されているが、それらが異なる使い方をしており、適用性や特性が著しく異なることを示している。
  論文  参考訳（メタデータ） (2023-01-18T12:30:44Z)
• Towards Structured Prediction in Bioinformatics with Deep Learning [11.055292483959414]
  バイオインフォマティクスでは、2D画像や3D分子構造など、より複雑な対象を予測する必要があることが多い。 ここでは, バイオインフォマティクスにおける構造化予測問題の解決に有効であると考えられる。 我々は4つのバイオインフォマティクスのサブフィールドから6つのプロジェクトを紹介した。
  論文  参考訳（メタデータ） (2020-08-25T02:52:18Z)
• Retinal Image Segmentation with a Structure-Texture Demixing Network [62.69128827622726]
  複雑な構造とテクスチャ情報は網膜画像に混在し、その情報の識別が困難である。 既存の手法はテクスチャと構造を共同で扱うため、偏りのあるモデルをテクスチャ認識に導くことができ、結果としてセグメンテーション性能は低下する。 本稿では,構造成分とテクスチャ成分を分離し,性能を大幅に向上させるセグメンテーション戦略を提案する。
  論文  参考訳（メタデータ） (2020-07-15T12:19:03Z)
• DeepRetinotopy: Predicting the Functional Organization of Human Visual Cortex from Structural MRI Data using Geometric Deep Learning [125.99533416395765]
  我々は,脳機能と解剖学の複雑な関係を構造的および機能的MRIデータから学習するために,大脳皮質の構造を活用できるディープラーニングモデルを開発した。 我々のモデルは解剖学的特性だけで人間の視覚野の機能的構造を予測することができ、また個人間でのニュアンスの変化を予測することができた。
  論文  参考訳（メタデータ） (2020-05-26T04:54:31Z)

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。