論文の概要: Contour Dice loss for structures with Fuzzy and Complex Boundaries in Fetal MRI

• arxiv url: http://arxiv.org/abs/2209.12232v1
• Date: Sun, 25 Sep 2022 14:23:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-27 17:35:46.221402
• Title: Contour Dice loss for structures with Fuzzy and Complex Boundaries in Fetal MRI
• Title（参考訳）: 胎児MRIにおけるファジィ・複雑境界を有する構造物の輪郭幅損失
• Authors: Bella Specktor Fadida, Bossmat Yehuda, Daphna Link Sourani, Liat Ben Sira, Dafna Ben Bashat, Leo Joskowicz
• Abstract要約: 本稿では、Contour Dice 計量に類似した損失の新しい定式化について述べる。 胎児脳のセグメンテーションでは、DiceとCross-Entropyが併用され、DiceとContour Diceが併用された。
• 参考スコア（独自算出の注目度）: 2.6097841018267616
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Volumetric measurements of fetal structures in MRI are time consuming and error prone and therefore require automatic segmentation. Placenta segmentation and accurate fetal brain segmentation for gyrification assessment are particularly challenging because of the placenta fuzzy boundaries and the fetal brain cortex complex foldings. In this paper, we study the use of the Contour Dice loss for both problems and compare it to other boundary losses and to the combined Dice and Cross-Entropy loss. The loss is computed efficiently for each slice via erosion, dilation and XOR operators. We describe a new formulation of the loss akin to the Contour Dice metric. The combination of the Dice loss and the Contour Dice yielded the best performance for placenta segmentation. For fetal brain segmentation, the best performing loss was the combined Dice with Cross-Entropy loss followed by the Dice with Contour Dice loss, which performed better than other boundary losses.
• Abstract（参考訳）: MRIにおける胎児構造の体積測定は、時間がかかり、エラーが発生しやすいため、自動セグメンテーションが必要である。 胎盤の分節と正確な胎児の脳分節は、胎盤のファジィ境界と胎児の脳皮質複合体の折りたたみのため、特に困難である。 本稿では,両問題に対する輪郭ダイス損失について検討し,他の境界損失と比較し,ダイス損失とクロスエントロピー損失を比較した。 損失は浸食、拡張、XOR演算子を介して各スライスに対して効率的に計算される。 本稿では,輪郭ダイス計量に類似した損失の新しい定式化について述べる。 Diceの損失とContour Diceの組み合わせは、胎盤セグメンテーションで最高のパフォーマンスを得た。 胎児の脳セグメンテーションでは、交叉エントロピー損失を伴う dice と、他の境界損失よりも良好なcontour dice を併用した dice が最適であった。

関連論文リスト

• Contour-weighted loss for class-imbalanced image segmentation [2.183832403223894]
  画像のセグメンテーションは、ほとんど全ての医療画像解析において、自動解釈と処理において極めて重要である。 クラス内とクラス間のデータ不均衡のため、イメージセグメンテーションを実行することはしばしば困難である。 本稿では,コンパクトで効果的な輪郭重み付き損失関数を用いた新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-06-07T07:43:52Z)
• Boundary Difference Over Union Loss For Medical Image Segmentation [30.75832534753879]
  我々は、境界領域分割を導くために、ユニオン損失(境界DoU損失)に対する境界差という、シンプルで効果的な損失を開発した。 私たちの損失はリージョンの計算にのみ依存するので、追加の損失を必要とせずに、実装やトレーニングが簡単になります。
  論文  参考訳（メタデータ） (2023-08-01T01:27:34Z)
• Robust T-Loss for Medical Image Segmentation [56.524774292536264]
  本稿では,医用画像分割のための新しいロバストな損失関数T-Lossを提案する。 提案した損失は、Student-t分布の負のログ類似度に基づいており、データ内の外れ値の処理を効果的に行うことができる。 実験の結果,T-Lossは2つの医療データセットのダイススコアにおいて従来の損失関数よりも優れていた。
  論文  参考訳（メタデータ） (2023-06-01T14:49:40Z)
• On the dice loss gradient and the ways to mimic it [7.784809501914448]
  ディス損失は、人気のあるディス係数の緩和から生じる興味深いケースである。 我々はまず, サイコロ損失の勾配を理論的に研究し, 具体的には基底真理の重み付き負の値であることを示した。 次に,ネットワーク出力の簡単な要素ワイド乗算により,ダイス損失の監視を模倣する。
  論文  参考訳（メタデータ） (2023-04-09T21:25:07Z)
• Simultaneous Bone and Shadow Segmentation Network using Task Correspondence Consistency [60.378180265885945]
  骨と影の同時分割のための共有トランスフォーマベースエンコーダとタスク独立デコーダを備えた単一エンドツーエンドネットワークを提案する。 また,骨表面とそれに対応する影の相互依存性を利用してセグメンテーションを改良する対応整合損失も導入する。
  論文  参考訳（メタデータ） (2022-06-16T22:37:05Z)
• Weakly-supervised Biomechanically-constrained CT/MRI Registration of the Spine [72.85011943179894]
  本稿では,各脊椎の剛性と容積を保存し,登録精度を最大化しながら,弱教師付き深層学習フレームワークを提案する。 また,CTにおける椎体自動分節化はMRIと対比してより正確な結果をもたらすため,CTラベルマップのみに依存するよう,これらの損失を特に設計する。 以上の結果から, 解剖学的認識による損失の増大は, 精度を維持しつつも, 推測変換の妥当性を高めることが示唆された。
  論文  参考訳（メタデータ） (2022-05-16T10:59:55Z)
• A Mixed Focal Loss Function for Handling Class Imbalanced Medical Image Segmentation [0.7619404259039283]
  声帯損失とDice損失関数の修正版から導出した新しい化合物損失関数を提案する。 提案した損失関数は、より優れたリコール精度バランスに関連付けられ、二値画像と多値画像のセグメンテーションにおいて、他の損失関数よりも大幅に優れる。
  論文  参考訳（メタデータ） (2021-02-08T20:47:38Z)
• Optimization for Medical Image Segmentation: Theory and Practice when evaluating with Dice Score or Jaccard Index [25.04858968806884]
  距離感性損失関数群内の関係について検討する。 Dice スコアと Jaccard index は相対的に絶対的に互いに近似している。 本研究は,6つの医学的セグメンテーション課題に対する広範囲な検証において,これらの結果を実証的に検証する。
  論文  参考訳（メタデータ） (2020-10-26T11:45:55Z)
• Universal Loss Reweighting to Balance Lesion Size Inequality in 3D Medical Image Segmentation [50.63623720394348]
  ネットワークの小さな病変の検出能力を高めるために,損失再重み付け手法を提案する。 Dice Loss, Focal Loss, Asymmetric similarity Lossなど,よく知られた損失関数に対する本手法の利点を報告する。 実験の結果, 逆重み付けは検出品質を著しく向上させる一方で, 最先端のデライン化品質を保っていることがわかった。
  論文  参考訳（メタデータ） (2020-07-20T12:08:22Z)
• clDice -- A Novel Topology-Preserving Loss Function for Tubular Structure Segmentation [57.20783326661043]
  中心線Dice (short clDice) と呼ばれる新しい類似度尺度を導入する。 理論的には、clDiceは2次元および3次元のセグメンテーションにおけるホモトピー同値までのトポロジー保存を保証する。 我々は、船舶、道路、ニューロン(2Dと3D)を含む5つの公開データセットでソフトクライス損失をベンチマークした。
  論文  参考訳（メタデータ） (2020-03-16T16:27:49Z)
• Bending Loss Regularized Network for Nuclei Segmentation in Histopathology Images [69.74667930907314]
  核分割のための曲げ損失正規化ネットワークを提案する。 提案した曲げ損失は、大きな曲率を持つ輪郭点に対する高い罰則を定義し、小さな曲率を持つ輪郭点に小さな罰則を適用する。 曲げ損失の最小化は、複数の核を含む輪郭の発生を避けることができる。
  論文  参考訳（メタデータ） (2020-02-03T21:20:50Z)

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。