Fugu-MT 論文翻訳(概要): A Generalized Surface Loss for Reducing the Hausdorff Distance in Medical Imaging Segmentation

論文の概要: A Generalized Surface Loss for Reducing the Hausdorff Distance in Medical Imaging Segmentation

arxiv url: http://arxiv.org/abs/2302.03868v2
Date: Sat, 18 Nov 2023 07:57:20 GMT
ステータス: 処理完了
システム内更新日: 2023-11-23 05:39:02.012147
Title: A Generalized Surface Loss for Reducing the Hausdorff Distance in Medical Imaging Segmentation
Title（参考訳）: 医用画像分割におけるハウスドルフ距離の一般化した表面損失
Authors: Adrian Celaya, Beatrice Riviere, and David Fuentes
Abstract要約: 本研究では,現在の手法よりも望ましい数値特性を持つハウスドルフ測度を最小化する新しい損失関数を提案する。我々の損失関数は、最先端のnnUNetアーキテクチャを用いてLiTSとBraTSデータセットでテストした場合、他の損失よりも優れています。
参考スコア（独自算出の注目度）: 1.2289361708127877
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Within medical imaging segmentation, the Dice coefficient and Hausdorff-based metrics are standard measures of success for deep learning models. However, modern loss functions for medical image segmentation often only consider the Dice coefficient or similar region-based metrics during training. As a result, segmentation architectures trained over such loss functions run the risk of achieving high accuracy for the Dice coefficient but low accuracy for Hausdorff-based metrics. Low accuracy on Hausdorff-based metrics can be problematic for applications such as tumor segmentation, where such benchmarks are crucial. For example, high Dice scores accompanied by significant Hausdorff errors could indicate that the predictions fail to detect small tumors. We propose the Generalized Surface Loss function, a novel loss function to minimize Hausdorff-based metrics with more desirable numerical properties than current methods and with weighting terms for class imbalance. Our loss function outperforms other losses when tested on the LiTS and BraTS datasets using the state-of-the-art nnUNet architecture. These results suggest we can improve medical imaging segmentation accuracy with our novel loss function.
Abstract（参考訳）: 医学画像セグメンテーションでは、dice係数とhausdorffベースのメトリクスは、ディープラーニングモデルの成功の標準尺度である。しかし、現代の医療画像分割の損失関数は、訓練中のサイス係数や類似の領域ベースメトリクスのみを考慮することが多い。その結果、そのような損失関数で訓練されたセグメンテーションアーキテクチャは、サイス係数の精度は高いが、ハウスドルフベースのメトリクスの精度は低いというリスクを負う。 Hausdorffベースのメトリクスの低い精度は、そのようなベンチマークが不可欠である腫瘍セグメンテーションのようなアプリケーションで問題となる可能性がある。例えば、大きなハウスドルフ誤差を伴う高Diceスコアは、予測が小さな腫瘍を検出できないことを示している。本研究では,現在の手法よりも望ましい数値特性を持ち,クラス不均衡の重み付け項を持つハウスドルフベースメトリクスを最小化する新しい損失関数である一般化表面損失関数を提案する。我々の損失関数は、最先端のnnUNetアーキテクチャを用いてLiTSとBraTSデータセットでテストした場合、他の損失よりも優れています。以上の結果から,新しい損失機能により画像分割精度が向上することが示唆された。

関連論文リスト

Dimensionality Reduction and Nearest Neighbors for Improving Out-of-Distribution Detection in Medical Image Segmentation [1.2873975765521795]
この研究は、肝臓を分断する4つのSwin UNETRとnnU-netモデルのボトルネック特徴にマハラノビス距離(MD)ポストホックを適用した。モデルが失敗した画像は、高性能で最小の計算負荷で検出された。
論文参考訳（メタデータ） (2024-08-05T18:24:48Z)
Reduced Jeffries-Matusita distance: A Novel Loss Function to Improve Generalization Performance of Deep Classification Models [0.0]
本稿では,深層分類モデルの学習における損失関数として,Reduced Jeffries-Matusitaという距離を導入する。その結果、新しい距離測定はトレーニングプロセスを著しく安定化させ、一般化能力を高め、精度とF1スコアの指標におけるモデルの性能を向上させることを示した。
論文参考訳（メタデータ） (2024-03-13T10:51:38Z)
Revisiting Evaluation Metrics for Semantic Segmentation: Optimization and Evaluation of Fine-grained Intersection over Union [113.20223082664681]
そこで本研究では,mIoUsの微細化と,それに対応する最悪の指標を提案する。これらのきめ細かいメトリクスは、大きなオブジェクトに対するバイアスの低減、よりリッチな統計情報、モデルとデータセット監査に関する貴重な洞察を提供する。ベンチマークでは,1つの測定値に基づかないことの必要性を強調し,微細なmIoUsが大きな物体への偏りを減少させることを確認した。
論文参考訳（メタデータ） (2023-10-30T03:45:15Z)
Bridging Precision and Confidence: A Train-Time Loss for Calibrating Object Detection [58.789823426981044]
本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
論文参考訳（メタデータ） (2023-03-25T08:56:21Z)
Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。提案手法は,画像分類における既存の手法よりも優れている。
論文参考訳（メタデータ） (2022-12-02T07:31:39Z)
Impact of loss function in Deep Learning methods for accurate retinal vessel segmentation [1.1470070927586016]
我々は、深層学習アーキテクチャ(U-Net、Attention U-Net、Nested U-Net)とDRIVEデータセットを用いて、Binary Cross Entropy、Dice、Tversky、Comboの損失を比較した。その結果,損失関数の選択には有意な差が認められた。
論文参考訳（メタデータ） (2022-06-01T14:47:18Z)
blob loss: instance imbalance aware loss functions for semantic segmentation [6.2334511723202]
本稿では,インスタンスレベルの検出基準を最大化することを目的とした,損失関数の新たなファミリーであるエンフェブロブ損失を提案する。複雑な5つの3次元セマンティックセグメンテーションタスクにおいて,DSCに基づくエンフェブロブ損失を広範囲に評価した。
論文参考訳（メタデータ） (2022-05-17T10:13:27Z)
Shaping Deep Feature Space towards Gaussian Mixture for Visual Classification [74.48695037007306]
視覚分類のためのディープニューラルネットワークのためのガウス混合損失関数(GM)を提案する。分類マージンと可能性正規化により、GM損失は高い分類性能と特徴分布の正確なモデリングの両方を促進する。提案したモデルは、追加のトレーニング可能なパラメータを使わずに、簡単かつ効率的に実装できる。
論文参考訳（メタデータ） (2020-11-18T03:32:27Z)
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)
Auto Seg-Loss: Searching Metric Surrogates for Semantic Segmentation [56.343646789922545]
そこで本研究では,各計量に対する相異なるサロゲート損失を探索することにより,計量固有損失関数の設計を自動化することを提案する。 PASCAL VOCとCityscapesの実験では、探索されたサロゲート損失は手動で設計した損失関数よりも優れていた。
論文参考訳（メタデータ） (2020-10-15T17:59:08Z)
Collaborative Boundary-aware Context Encoding Networks for Error Map Prediction [65.44752447868626]
本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。 AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
論文参考訳（メタデータ） (2020-06-25T12:42:01Z)

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。