論文の概要: Beyond CNNs: Exploiting Further Inherent Symmetries in Medical Image
Segmentation
- arxiv url: http://arxiv.org/abs/2207.14472v1
- Date: Fri, 29 Jul 2022 04:28:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-01 12:37:46.713064
- Title: Beyond CNNs: Exploiting Further Inherent Symmetries in Medical Image
Segmentation
- Title（参考訳）: cnnsを超えて:医療画像分割における本質的対称性の活用
- Authors: Shuchao Pang, Anan Du, Mehmet A. Orgun, Yan Wang, Quan Z. Sheng,
Shoujin Wang, Xiaoshui Huang, and Zhenmei Yu
- Abstract要約: より正確な表現を学習するために、これらの固有対称性を符号化することで、新しいグループ同変セグメンテーションフレームワークを提案する。
GER-UNet(Group Equivariant Res-UNet)が通常のCNNよりも優れていることを示す。
新たに構築されたGER-UNetは、サンプルの複雑さとフィルタの冗長性を減少させる可能性を示している。
- 参考スコア（独自算出の注目度）: 21.6412682130116
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Automatic tumor or lesion segmentation is a crucial step in medical image
analysis for computer-aided diagnosis. Although the existing methods based on
Convolutional Neural Networks (CNNs) have achieved the state-of-the-art
performance, many challenges still remain in medical tumor segmentation. This
is because, although the human visual system can detect symmetries in 2D images
effectively, regular CNNs can only exploit translation invariance, overlooking
further inherent symmetries existing in medical images such as rotations and
reflections. To solve this problem, we propose a novel group equivariant
segmentation framework by encoding those inherent symmetries for learning more
precise representations. First, kernel-based equivariant operations are devised
on each orientation, which allows it to effectively address the gaps of
learning symmetries in existing approaches. Then, to keep segmentation networks
globally equivariant, we design distinctive group layers with layer-wise
symmetry constraints. Finally, based on our novel framework, extensive
experiments conducted on real-world clinical data demonstrate that a Group
Equivariant Res-UNet (named GER-UNet) outperforms its regular CNN-based
counterpart and the state-of-the-art segmentation methods in the tasks of
hepatic tumor segmentation, COVID-19 lung infection segmentation and retinal
vessel detection. More importantly, the newly built GER-UNet also shows
potential in reducing the sample complexity and the redundancy of filters,
upgrading current segmentation CNNs and delineating organs on other medical
imaging modalities.
- Abstract（参考訳）: 自動腫瘍または病変分割は、コンピュータ支援診断のための医療画像解析において重要なステップである。
畳み込みニューラルネットワーク(CNN)に基づく既存の手法は最先端のパフォーマンスを達成したが、依然として多くの課題が残っている。
これは、人間の視覚システムは2d画像の対称性を効果的に検出できるが、通常のcnnは変換不変性のみを活用でき、回転や反射のような医療画像に存在するさらに固有の対称性を見渡すことができるためである。
そこで本研究では,これらの固有対称性を符号化し,より正確な表現を学習することにより,新しい群同変分節化フレームワークを提案する。
まず、カーネルベースの同変演算を各向きに考案し、既存のアプローチにおける学習対称性のギャップを効果的に解決する。
そして、セグメント化ネットワークをグローバルに均等に保つために、層ワイド対称性の制約を持つ特異な群層を設計する。
最後に, 肝腫瘍の分画, 新型コロナウイルス肺感染分画, 網膜血管検出の課題において, 実世界臨床データを用いた広範な実験により, 正常な cnn ベースの群同変 res-unet (ger-unet と命名) と最先端の分画法を上回った。
さらに重要なことに、新しく構築されたger-unetは、サンプルの複雑さとフィルターの冗長性を減少させ、現在のセグメンテーションcnnをアップグレードし、他の医療画像モダリティに臓器を配置する可能性も示している。
関連論文リスト
- Advancing Medical Image Segmentation: Morphology-Driven Learning with Diffusion Transformer [4.672688418357066]
本稿では,雑音の存在下での頑健なセグメンテーションのためのトランスフォーマー拡散(DTS)モデルを提案する。
画像の形態的表現を解析する本モデルでは, 種々の医用画像モダリティにおいて, 従来のモデルよりも良好な結果が得られた。
論文 参考訳（メタデータ） (2024-08-01T07:35:54Z) - Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。
半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文 参考訳（メタデータ） (2023-12-26T12:56:31Z) - Self-supervised Semantic Segmentation: Consistency over Transformation [3.485615723221064]
Inception Large Kernel Attention (I-LKA) モジュールをベースとしたロバストなフレームワークを統合した新しい自己教師型アルゴリズム textbfS$3$-Net を提案する。
我々は、変形可能な畳み込みを積分成分として利用し、優れた物体境界定義のための歪み変形を効果的に捕捉し、デライン化する。
皮膚病変および肺臓器の分節タスクに関する実験結果から,SOTA法と比較して,本手法の優れた性能を示した。
論文 参考訳（メタデータ） (2023-08-31T21:28:46Z) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳（メタデータ） (2022-12-01T07:32:56Z) - Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。
事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。
実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
論文 参考訳（メタデータ） (2022-09-19T09:43:19Z) - Symmetry-Enhanced Attention Network for Acute Ischemic Infarct
Segmentation with Non-Contrast CT Images [50.55978219682419]
急性虚血性梗塞セグメンテーションのための対称性増強型注意ネットワーク(SEAN)を提案する。
提案するネットワークは、入力されたCT画像を、脳組織が左右対称な標準空間に自動的に変換する。
提案したSEANは、ダイス係数と梗塞局所化の両方の観点から、対称性に基づく最先端の手法より優れている。
論文 参考訳（メタデータ） (2021-10-11T07:13:26Z) - Segmentation-Renormalized Deep Feature Modulation for Unpaired Image
Harmonization [0.43012765978447565]
サイクル一貫性のある生成共役ネットワークは、ソースとターゲットドメイン間のイメージセットの調和に使われてきた。
これらの手法は、不安定性、コントラストの逆転、病理の難治性操作、および実際の医用画像における信頼性を制限したステガノグラフィーマッピングの傾向が強い。
解剖学的レイアウトを維持しながらスキャナ間の調和を低減するセグメンテーション正規化画像翻訳フレームワークを提案する。
論文 参考訳（メタデータ） (2021-02-11T23:53:51Z) - Multi-structure bone segmentation in pediatric MR images with combined
regularization from shape priors and adversarial network [0.4588028371034407]
異種小児磁気共鳴(MR)画像のセグメント化に難渋する課題に対して,新たにトレーニングした正規化畳み込みエンコーダデコーダネットワークを提案する。
グローバルに一貫した予測を得るために,オートエンコーダで学習した非線形形状表現から得られる,形状先行に基づく正規化を組み込む。
提案手法は,Dice, 感度, 特異性, 最大対称表面距離, 平均対称表面距離, および相対絶対体積差の測定値について, 従来提案した手法と同等あるいは同等に動作した。
論文 参考訳（メタデータ） (2020-09-15T13:39:53Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2020-07-24T14:02:09Z) - Beyond CNNs: Exploiting Further Inherent Symmetries in Medical Images
for Segmentation [11.797343325320474]
医用腫瘍分離のための新しいグループ同変セグメンテーションフレームワークを提案する。
さらなる対称性を活用することで、新しいセグメンテーションCNNは、サンプルの複雑さとフィルタの冗長性を劇的に減らすことができる。
新たに構築されたGER-UNetは、通常のCNNベースと、実際の臨床データに対する最先端のセグメンテーション方法よりも優れていることを示す。
論文 参考訳（メタデータ） (2020-05-08T09:36:50Z) - Unsupervised Bidirectional Cross-Modality Adaptation via Deeply
Synergistic Image and Feature Alignment for Medical Image Segmentation [73.84166499988443]
我々は、Synergistic Image and Feature Alignment (SIFA)と名付けられた新しい教師なしドメイン適応フレームワークを提案する。
提案するSIFAは、画像と特徴の両方の観点から、ドメインの相乗的アライメントを行う。
2つの異なるタスクに対する実験結果から,SIFA法は未ラベル対象画像のセグメンテーション性能を向上させるのに有効であることが示された。
論文 参考訳（メタデータ） (2020-02-06T13:49:47Z)
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。