Fugu-MT 論文翻訳(概要): Noisy Image Segmentation With Soft-Dice

論文の概要: Noisy Image Segmentation With Soft-Dice

arxiv url: http://arxiv.org/abs/2304.00801v2
Date: Tue, 4 Apr 2023 05:59:43 GMT
ステータス: 処理完了
システム内更新日: 2023-04-05 10:29:27.053621
Title: Noisy Image Segmentation With Soft-Dice
Title（参考訳）: ソフトディッションによるノイズ画像分割
Authors: Marcus Nordstr\"om, Henrik Hult, Atsuto Maki, Fredrik L\"ofman
Abstract要約: 最適ソフトディスに収束するソフトセグメンテーションの列は、しきい値を用いてハードセグメンテーションに変換すると、最適ディスに収束する。これは、ソフトディースの計量を最大化するためのプロキシとしてしばしば使用されるため、重要な結果である。
参考スコア（独自算出の注目度）: 3.2116198597240846
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper presents a study on the soft-Dice loss, one of the most popular loss functions in medical image segmentation, for situations where noise is present in target labels. In particular, the set of optimal solutions are characterized and sharp bounds on the volume bias of these solutions are provided. It is further shown that a sequence of soft segmentations converging to optimal soft-Dice also converges to optimal Dice when converted to hard segmentations using thresholding. This is an important result because soft-Dice is often used as a proxy for maximizing the Dice metric. Finally, experiments confirming the theoretical results are provided.
Abstract（参考訳）: 本稿では,対象ラベルにノイズが存在する状況において,医用画像セグメンテーションにおいて最も一般的な損失関数であるソフトダイス損失について検討する。特に最適解の集合が特徴づけられ、これらの解の体積バイアスの鋭い境界が提供される。さらに, 最適ソフトディスに収束するソフトセグメンテーションのシーケンスは, しきい値化を用いてハードセグメンテーションに変換した場合, 最適ディスに収束することを示した。これは、ソフトディースの計量を最大化するためのプロキシとしてしばしば使用されるため、重要な結果である。最後に、理論結果の確認実験を行う。

関連論文リスト

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)
Marginal Thresholding in Noisy Image Segmentation [3.609538870261841]
損失関数に対する最適解は、ノイズのレベルが増加するにつれて、ソフトディースとクロスエントロピーが分岐する。これにより, クロスエントロピーをソフトディスと比較した場合のパフォーマンス低下は, 間違ったしきい値を用いることによって引き起こされるのかという疑問が持ち上がる。
論文参考訳（メタデータ） (2023-04-08T22:27:36Z)
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)
Theoretical analysis and experimental validation of volume bias of soft Dice optimized segmentation maps in the context of inherent uncertainty [6.692460499366963]
最近のセグメンテーション法では、学習段階における損失関数の一部として、ソフトディースのような微分可能な代理計量を用いる。まず、ボリューム推定を、潜在的に本質的に不確実または曖昧なセグメンテーションから導出する方法を簡潔に説明する。ソフトなDice最適化は、Diceスコアやその他の測定値に対して改善された性能をもたらすが、本質的な不確実性の高いタスクに対してボリュームバイアスをもたらす可能性がある。
論文参考訳（メタデータ） (2022-11-08T11:04:52Z)
Deep Semantic Statistics Matching (D2SM) Denoising Network [70.01091467628068]
本稿では,Deep Semantic Statistics Matching (D2SM) Denoising Networkを紹介する。事前訓練された分類ネットワークの意味的特徴を利用して、意味的特徴空間における明瞭な画像の確率的分布と暗黙的に一致させる。識別画像のセマンティックな分布を学習することで,ネットワークの認知能力を大幅に向上させることを実証的に見出した。
論文参考訳（メタデータ） (2022-07-19T14:35:42Z)
On Image Segmentation With Noisy Labels: Characterization and Volume Properties of the Optimal Solutions to Accuracy and Dice [0.0]
医療画像のセグメンテーション、精度、Diceにおいて、ターゲットラベルがうるさい場合に最もよく使われる2つのパフォーマンス指標について検討する。どちらの指標も、最適セグメンテーションの集合のキャラクタリゼーションと体積特性に関するいくつかのステートメントが証明されている。主な洞察は、 (i) 両指標の解の体積が目標の期待体積から大きくずれる可能性があること、 (ii) 精度の解の体積がディースの解の体積と常に等しいこと、 (iii) 両指標の最適解は、実現可能なセグメンテーションの集合が制約されたときに一致すること、である。
論文参考訳（メタデータ） (2022-06-13T21:30:29Z)
Segmentation with Multiple Acceptable Annotations: A Case Study of Myocardial Segmentation in Contrast Echocardiography [12.594060034146125]
我々は,複数の受理基底真理が利用できる場合にセグメント化性能を評価するために,新たな拡張Diceを提案する。次に、ニューラルネットが心筋の一般的な特徴を学習できるように、新たな指標を損失関数にさらに組み込むことで、第2の問題を解決する。臨床MCEデータセットの実験結果から,提案した損失関数を用いてトレーニングしたニューラルネットワークは,既存のニューラルネットワークよりも優れていることが示された。
論文参考訳（メタデータ） (2021-06-29T17:32:24Z)
Synergy Between Semantic Segmentation and Image Denoising via Alternate Boosting [102.19116213923614]
ノイズ除去とセグメンテーションを交互に行うためのブーストネットワークを提案する。我々は,ノイズによるセグメンテーション精度の低下に対処するだけでなく,画素別意味情報によってデノージング能力が向上することを示す。実験の結果,デノイド画像の品質が大幅に向上し,セグメンテーション精度がクリーン画像に近いことを示した。
論文参考訳（メタデータ） (2021-02-24T06:48:45Z)
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)
Weakly-supervised Learning For Catheter Segmentation in 3D Frustum Ultrasound [74.22397862400177]
超音波を用いた新しいカテーテルセグメンテーション法を提案する。提案手法は,1ボリュームあたり0.25秒の効率で最先端の性能を実現した。
論文参考訳（メタデータ） (2020-10-19T13:56:22Z)
DenoiSeg: Joint Denoising and Segmentation [75.91760529986958]
我々は,いくつかの注釈付き基底真理セグメンテーションでエンドツーエンドに学習できる新しい手法であるDenoySegを提案する。我々は、ノイズの多い画像だけで訓練できる自己教師付き遮音方式であるNoss2Voidを拡張して、密度の高い3クラスセグメンテーションを予測する。
論文参考訳（メタデータ） (2020-05-06T17:42:54Z)

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。