論文の概要: Topology-Aware Focal Loss for 3D Image Segmentation

• arxiv url: http://arxiv.org/abs/2304.12223v1
• Date: Mon, 24 Apr 2023 16:07:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-25 14:17:48.807773
• Title: Topology-Aware Focal Loss for 3D Image Segmentation
• Title（参考訳）: 3次元画像分割のための位相認識焦点損失
• Authors: Andac Demir, Elie Massaad, Bulent Kiziltan
• Abstract要約: 本稿では,従来の音声損失をトポロジカル制約項に組み込んだ新しい損失関数,すなわちTopology-Aware Focal Loss (TAFL)を導入する。 我々はMICCAI脳腫瘍(BraTS)チャレンジ検証データセットを用いて3次元U-Netをトレーニングすることでアプローチを評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The efficacy of segmentation algorithms is frequently compromised by topological errors like overlapping regions, disrupted connections, and voids. To tackle this problem, we introduce a novel loss function, namely Topology-Aware Focal Loss (TAFL), that incorporates the conventional Focal Loss with a topological constraint term based on the Wasserstein distance between the ground truth and predicted segmentation masks' persistence diagrams. By enforcing identical topology as the ground truth, the topological constraint can effectively resolve topological errors, while Focal Loss tackles class imbalance. We begin by constructing persistence diagrams from filtered cubical complexes of the ground truth and predicted segmentation masks. We subsequently utilize the Sinkhorn-Knopp algorithm to determine the optimal transport plan between the two persistence diagrams. The resultant transport plan minimizes the cost of transporting mass from one distribution to the other and provides a mapping between the points in the two persistence diagrams. We then compute the Wasserstein distance based on this travel plan to measure the topological dissimilarity between the ground truth and predicted masks. We evaluate our approach by training a 3D U-Net with the MICCAI Brain Tumor Segmentation (BraTS) challenge validation dataset, which requires accurate segmentation of 3D MRI scans that integrate various modalities for the precise identification and tracking of malignant brain tumors. Then, we demonstrate that the quality of segmentation performance is enhanced by regularizing the focal loss through the addition of a topological constraint as a penalty term.
• Abstract（参考訳）: セグメンテーションアルゴリズムの有効性は、重複する領域、切断された接続、空白などの位相誤差によってしばしば損なわれる。 この問題に対処するために,従来の音声損失を,地上の真実と予測セグメンテーションマスクの永続図とのワッサーシュタイン距離に基づく位相的制約項に組み込んだ新しい損失関数,Topology-Aware Focal Loss (TAFL)を導入する。 基底の真実と同一の位相を強制することにより、位相的制約はトポロジカルな誤りを効果的に解決し、フォカル・ロスはクラス不均衡に取り組む。 まず、基底真理のフィルターされた立方体錯体と予測セグメンテーションマスクから永続図を構築する。 次に,Sinkhorn-Knoppアルゴリズムを用いて2つの永続化ダイアグラム間の最適輸送計画を決定する。 結果として生じる輸送計画は、質量をある分布から他方へ輸送するコストを最小化し、2つの永続化図の点間のマッピングを提供する。 次に、この旅行計画に基づいてワッサーシュタイン距離を計算し、基底真理と予測マスクの間の位相的相似性を測定する。 我々は, 悪性脳腫瘍の正確な同定と追跡のために, 3次元MRIスキャンの正確なセグメンテーションを必要とする, MICCAI Brain tumor Segmentation (BraTS) Challenge Validationデータセットを用いて3D U-Netをトレーニングすることにより, アプローチを評価する。 次に,局所的制約をペナルティ項として加えることにより,局所的損失を正則化し,セグメンテーション性能の質を高めることを実証する。

関連論文リスト

• Topograph: An efficient Graph-Based Framework for Strictly Topology Preserving Image Segmentation [78.54656076915565]
  位相的正しさは多くの画像分割タスクにおいて重要な役割を果たす。 ほとんどのネットワークは、Diceのようなピクセル単位の損失関数を使って、トポロジカルな精度を無視して訓練されている。 トポロジ的に正確な画像セグメンテーションのための新しいグラフベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-05T16:20:14Z)
• Enhancing Boundary Segmentation for Topological Accuracy with Skeleton-based Methods [7.646983689651424]
  位相整合性は、直交画像の境界セグメンテーションの課題において重要な役割を果たす。 本稿では,各物体の形状と画素の位相的意義を考慮に入れた新たな損失関数であるSkea-Topo Aware Losを提案する。 実験により, この手法は, 13 の最先端手法と比較して, VI において最大 7 点まで位相整合性を向上させることが証明された。
  論文  参考訳（メタデータ） (2024-04-29T09:27:31Z)
• Cascaded multitask U-Net using topological loss for vessel segmentation and centerline extraction [2.264332709661011]
  本稿では,血管骨格をセグメント化から直接計算するU-Netによるソフトスケルトンアルゴリズムの置き換えを提案する。 セグメンテーション中にトポロジ的制約を埋め込むために、clDice損失をトレーニングしたカスケードU-Netをこのネットワーク上に構築する。
  論文  参考訳（メタデータ） (2023-07-21T14:12:28Z)
• TA-Net: Topology-Aware Network for Gland Segmentation [71.52681611057271]
  本研究では, 密集した腺と高度に変形した腺を正確に分離する新しいトポロジ・アウェア・ネットワーク(TA-Net)を提案する。 TA-Netはマルチタスク学習アーキテクチャを持ち、腺セグメンテーションの一般化を強化する。 2つのデータセットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2021-10-27T17:10:58Z)
• Residual Moment Loss for Medical Image Segmentation [56.72261489147506]
  位置情報は,対象物体の多様体構造を捉えた深層学習モデルに有効であることが証明された。 既存のほとんどの手法は、ネットワークが学習するために、位置情報を暗黙的にエンコードする。 セグメント化対象の位置情報を明示的に埋め込むために,新しい損失関数,すなわち残差モーメント(RM)損失を提案する。
  論文  参考訳（メタデータ） (2021-06-27T09:31:49Z)
• Semi-supervised, Topology-Aware Segmentation of Tubular Structures from Live Imaging 3D Microscopy [6.2651370198971295]
  本稿では, バイオメディカルイメージングにおける2つの問題に対処する: セグメンテーションのトポロジ的一貫性, 限定アノテーション。 本研究では, 予測された真理セグメントと地上の真理セグメントの位相的および幾何学的整合性を測定するトポロジカルスコアを提案する。 本研究は, 乳房内管状構造を集束顕微鏡で観察し, 本研究の意義を検証した。
  論文  参考訳（メタデータ） (2021-05-20T13:35:44Z)
• Data-driven generation of plausible tissue geometries for realistic photoacoustic image synthesis [53.65837038435433]
  光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。 我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。 我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
  論文  参考訳（メタデータ） (2021-03-29T11:30:18Z)
• Topology-Aware Segmentation Using Discrete Morse Theory [38.65353702366932]
  深部画像セグメンテーションネットワークを訓練し、位相精度を向上させる新しい手法を提案する。 1次元骨格や2次元パッチなど,位相的精度に重要なグローバル構造を明らかにする。 多様なデータセットに対して,DICEスコアとトポロジカルメトリクスの両方で優れた性能を示す。
  論文  参考訳（メタデータ） (2021-03-18T02:47:21Z)
• Topological obstructions in neural networks learning [67.8848058842671]
  損失勾配関数フローのグローバル特性について検討する。 損失関数とそのモースコンプレックスの位相データ解析を用いて,損失面の大域的特性と勾配軌道に沿った局所的挙動を関連付ける。
  論文  参考訳（メタデータ） (2020-12-31T18:53:25Z)
• Unsupervised Instance Segmentation in Microscopy Images via Panoptic Domain Adaptation and Task Re-weighting [86.33696045574692]
  病理組織像における教師なし核分割のためのCycle Consistency Panoptic Domain Adaptive Mask R-CNN(CyC-PDAM)アーキテクチャを提案する。 まず,合成画像中の補助的な生成物を除去するための核塗布機構を提案する。 第二に、ドメイン識別器を持つセマンティックブランチは、パンプトレベルのドメイン適応を実現するように設計されている。
  論文  参考訳（メタデータ） (2020-05-05T11:08:26Z)

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。