論文の概要: Curvilinear object segmentation in medical images based on ODoS filter
and deep learning network
- arxiv url: http://arxiv.org/abs/2301.07475v1
- Date: Wed, 18 Jan 2023 12:41:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-19 16:10:23.579049
- Title: Curvilinear object segmentation in medical images based on ODoS filter
and deep learning network
- Title（参考訳）: odosフィルタと深層学習ネットワークを用いた医用画像の線形オブジェクトセグメンテーション
- Authors: Yuanyuan Peng, Lin Pan, Pengpeng Luan, Hongbin Tu, Xiong Li
- Abstract要約: 我々は,スティック(ODoS)フィルタと深層学習ネットワークの指向微分に基づく,ユニークな曲線構造セグメンテーションフレームワークを提案する。
提示されたモデルは、いくつかの最先端手法と比較して驚くべき結果を得た。
- 参考スコア（独自算出の注目度）: 7.259171739127785
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automatic segmentation of curvilinear objects in medical images plays an
important role in the diagnosis and evaluation of human diseases, yet it is a
challenging uncertainty for the complex segmentation task due to different
issues like various image appearance, low contrast between curvilinear objects
and their surrounding backgrounds, thin and uneven curvilinear structures, and
improper background illumination. To overcome these challenges, we present a
unique curvilinear structure segmentation framework based on oriented
derivative of stick (ODoS) filter and deep learning network for curvilinear
object segmentation in medical images. Currently, a large number of deep
learning models emphasis on developing deep architectures and ignore capturing
the structural features of curvature objects, which may lead to unsatisfactory
results. In consequence, a new approach that incorporates the ODoS filter as
part of a deep learning network is presented to improve the spatial attention
of curvilinear objects. In which, the original image is considered as principal
part to describe various image appearance and complex background illumination,
the multi-step strategy is used to enhance contrast between curvilinear objects
and their surrounding backgrounds, and the vector field is applied to
discriminate thin and uneven curvilinear structures. Subsequently, a deep
learning framework is employed to extract varvious structural features for
curvilinear object segmentation in medical images. The performance of the
computational model was validated in experiments with publicly available DRIVE,
STARE and CHASEDB1 datasets. Experimental results indicate that the presented
model has yielded surprising results compared with some state-of-the-art
methods.
- Abstract（参考訳）: 医用画像における線状物体の自動分割は,人間の疾患の診断・評価において重要な役割を担っているが,様々な画像の出現,線状物体とその周辺背景のコントラストの低さ,細く不均一な線状構造,不適切な背景照明など,複雑な分別作業では不確実である。
これらの課題を克服するために,本論文では,スティック(ODoS)フィルタの指向微分に基づく独自のカービリニア構造セグメンテーションフレームワークと,医用画像におけるカービリニアオブジェクトセグメンテーションのためのディープラーニングネットワークを提案する。
現在、多くのディープラーニングモデルでは、深いアーキテクチャを開発し、曲率のあるオブジェクトの構造的特徴の把握を無視することに重点を置いている。
その結果,ODoSフィルタを深層学習ネットワークの一部として組み込んだ新しい手法が提案され,曲線オブジェクトの空間的注意度が向上した。
原画像は様々な画像の出現と複雑な背景照明を記述する主部分と見なされ、多段階戦略は曲率対象とその周囲の背景とのコントラストを強化するために用いられ、ベクトル場は薄くて不均一な曲率構造を識別するために適用される。
次に, 医学画像における線形オブジェクトセグメンテーションのための可変構造特徴を抽出するために, 深層学習フレームワークを用いた。
計算モデルの性能は、公開されているDRIVE、STARE、CHASEDB1データセットを用いた実験で検証された。
実験の結果,提案手法は最先端手法に比べて驚くべき結果が得られた。
関連論文リスト
- DeepBranchTracer: A Generally-Applicable Approach to Curvilinear
Structure Reconstruction Using Multi-Feature Learning [12.047523258256088]
本稿では,外部画像の特徴と内部幾何学的特徴の両方を学習し,曲線構造を再構築するDeepBranchTracerを紹介する。
既存のセグメンテーション法や再構成法よりも優れた性能を示すため,2次元データセットと3次元データセットの両方でモデルを広範囲に評価した。
論文 参考訳（メタデータ） (2024-02-02T07:13:07Z) - Curved Diffusion: A Generative Model With Optical Geometry Control [56.24220665691974]
最終シーンの外観に対する異なる光学系の影響は、しばしば見過ごされる。
本研究では,画像レンダリングに使用される特定のレンズとテキスト画像拡散モデルを密接に統合するフレームワークを提案する。
論文 参考訳（メタデータ） (2023-11-29T13:06:48Z) - FreeCOS: Self-Supervised Learning from Fractals and Unlabeled Images for
Curvilinear Object Segmentation [7.078356641689271]
本稿では, フラクタルや未ラベル画像から頑健で独特な特徴を学習する自己教師型カービリニアオブジェクトセグメンテーション法を提案する。
主な貢献は、新しいフラクタル-FDA合成(FFS)モジュールと幾何情報アライメント(GIA)アプローチである。
GIAは、与えられたピクセルの強度次数と近隣のピクセルの値を比較することで、合成画像とラベルなし画像の強度差を低減する。
論文 参考訳（メタデータ） (2023-07-14T09:38:08Z) - Topology-Aware Loss for Aorta and Great Vessel Segmentation in Computed
Tomography Images [1.4680035572775534]
本稿では, 地平と予測のトポロジの相違を罰する新たなトポロジ認識損失関数を提案する。
4327枚のCT画像から,提案したトポロジ・アウェア・ロス関数がそれより優れた結果をもたらすことが明らかとなった。
論文 参考訳（メタデータ） (2023-07-06T17:06:49Z) - RecRecNet: Rectangling Rectified Wide-Angle Images by Thin-Plate Spline
Model and DoF-based Curriculum Learning [62.86400614141706]
我々はRecRecNet(Rectangling Rectification Network)という新しい学習モデルを提案する。
我々のモデルは、ソース構造をターゲット領域に柔軟にワープし、エンドツーエンドの非教師なし変形を実現する。
実験により, 定量評価と定性評価の両面において, 比較法よりも解法の方が優れていることが示された。
論文 参考訳（メタデータ） (2023-01-04T15:12:57Z) - Geo-SIC: Learning Deformable Geometric Shapes in Deep Image Classifiers [8.781861951759948]
本稿では,画像分類の性能向上のために,変形空間における変形可能な形状を学習する最初のディープラーニングモデルGeo-SICを提案する。
画像空間と潜時形状空間の両方から特徴を同時に導出する,クラス内変動の大きい新設計のフレームワークを提案する。
幾何学的形状表現の教師なし学習を取り入れた強化型分類網を開発した。
論文 参考訳（メタデータ） (2022-10-25T01:55:17Z) - Deep Rectangling for Image Stitching: A Learning Baseline [57.76737888499145]
我々は不規則な境界やシーンに大きな多様性を持つ最初の画像縫合整形データセットを構築した。
実験では、従来の方法よりも定量的にも質的にも優位性を示す。
論文 参考訳（メタデータ） (2022-03-08T03:34:10Z) - Local Intensity Order Transformation for Robust Curvilinear Object
Segmentation [10.23426725727011]
血管疾患の早期発見のための網膜血管セグメンテーションや、道路条件の評価と維持のための舗装き裂セグメンテーションなど、多くの応用においてカービリナー構造が重要である。
現在、ディープラーニングベースの手法はこれらのタスクで素晴らしいパフォーマンスを実現している。
しかし、それらのほとんどは、強力な深層アーキテクチャを見つけることに重点を置いている。
本稿では,新しい局所強度次数変換を導入することにより,一般化性の向上を目指す。
論文 参考訳（メタデータ） (2022-02-25T10:04:00Z) - CS2-Net: Deep Learning Segmentation of Curvilinear Structures in Medical
Imaging [90.78899127463445]
カービリニア構造のセグメンテーションのための汎用的で統一的な畳み込みニューラルネットワークを提案する。
エンコーダとデコーダに自己アテンション機構を含む新しいカービリニア構造分割ネットワーク(CS2-Net)を導入する。
論文 参考訳（メタデータ） (2020-10-15T03:06:37Z) - Pathological Retinal Region Segmentation From OCT Images Using Geometric
Relation Based Augmentation [84.7571086566595]
本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。
提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
論文 参考訳（メタデータ） (2020-03-31T11:50:43Z) - Image Segmentation Using Deep Learning: A Survey [58.37211170954998]
イメージセグメンテーションは、画像処理とコンピュータビジョンにおいて重要なトピックである。
深層学習モデルを用いた画像セグメンテーション手法の開発を目的とした研究が,これまでに数多く行われている。
論文 参考訳（メタデータ） (2020-01-15T21:37:47Z)
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。