Fugu-MT 論文翻訳(概要): Contouring by Unit Vector Field Regression

論文の概要: Contouring by Unit Vector Field Regression

arxiv url: http://arxiv.org/abs/2305.17024v1
Date: Fri, 26 May 2023 15:32:22 GMT
ステータス: 処理完了
システム内更新日: 2023-05-29 13:44:42.772026
Title: Contouring by Unit Vector Field Regression
Title（参考訳）: 単位ベクトル場回帰によるコントーリング
Authors: Amir Jamaludin, Sarim Ather, Timor Kadir, Rhydian Windsor
Abstract要約: 本研究では,学習単位ベクトル場に沿って歩くことで輪郭を記述するための,簡単なディープラーニングに基づく手法を提案する。脊髄MRIで仙腸関節(SIJ)を規定する作業において,開放輪郭のユニークな症例に対するパイプラインの有効性を実証した。
参考スコア（独自算出の注目度）: 1.2234742322758418
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This work introduces a simple deep-learning based method to delineate contours by `walking' along learnt unit vector fields. We demonstrate the effectiveness of our pipeline on the unique case of open contours on the task of delineating the sacroiliac joints (SIJs) in spinal MRIs. We show that: (i) 95% of the time the average root mean square error of the predicted contour against the original ground truth is below 4.5 pixels (2.5mm for a standard T1-weighted SIJ MRI), and (ii) the proposed method is better than the baseline of regressing vertices or landmarks of contours.
Abstract（参考訳）: 本研究は,学習単位ベクトル場に沿って「ウォーキング」によって輪郭を表現できる,単純な深層学習に基づく手法を提案する。脊髄MRIで仙腸関節(SIJ)を規定する作業において,開放輪郭のユニークな症例に対するパイプラインの有効性を実証した。ご覧の通りです (i)原点真理に対する予測輪郭の平均根平均二乗誤差の95%は4.5ピクセル以下である(標準t1強調sijmriの2.5mm)。 (II)提案手法は,後退する頂点や輪郭のランドマークの基準よりも優れている。

関連論文リスト

Geo-UNet: A Geometrically Constrained Neural Framework for Clinical-Grade Lumen Segmentation in Intravascular Ultrasound [7.760705377465734]
UNetのような現在のセグメンテーションネットワークは、IVUSにおける臨床応用に必要な精度を欠いている。そこで我々はGeo-UNetフレームワークを提案する。静脈性IVUSデータセットに対する我々のフレームワークの有効性を,最先端モデルに対して示す。
論文参考訳（メタデータ） (2024-08-09T02:55:25Z)
Stochastic Gradient Descent for Gaussian Processes Done Right [86.83678041846971]
emphdone right -- 最適化とカーネルコミュニティからの具体的な洞察を使用するという意味で -- が、勾配降下は非常に効果的であることを示している。本稿では,直感的に設計を記述し,設計選択について説明する。本手法は,分子結合親和性予測のための最先端グラフニューラルネットワークと同程度にガウス過程の回帰を配置する。
論文参考訳（メタデータ） (2023-10-31T16:15:13Z)
Left Ventricle Contouring of Apical Three-Chamber Views on 2D Echocardiography [2.573072884754704]
左心室を2次元心エコー画像で自動整形する手法を提案する。我々は,この輪郭内における心内膜輪郭とキーランドマーク点の予測に焦点をあてる。これは、専門家が手動のアノテーションを実行する方法に近い表現を提供し、したがって生理学的により妥当な結果を生み出す。
論文参考訳（メタデータ） (2022-07-13T16:35:33Z)
6D Rotation Representation For Unconstrained Head Pose Estimation [2.1485350418225244]
本研究は, 基底真理データに対する回転行列形式を導入して, あいまいな回転ラベルの問題に対処する。このようにして、提案手法は、ポーズ予測を狭角に制限する従来のアプローチとは正反対に、全回転の外観を学習することができる。 AFLW2000およびBIWIデータセットを用いた実験により,提案手法が他の最先端手法よりも最大20%高い性能を示した。
論文参考訳（メタデータ） (2022-02-25T08:41:13Z)
UnDeepLIO: Unsupervised Deep Lidar-Inertial Odometry [10.253006754370965]
本稿では,IMUを用いた非教師なしライダー計測のための新しい枠組みを設計する。まず、一対のシアムLSTMを用いて、IMUの線形加速度と角速度から最初のポーズを得る。初期ポーズでは、現在のフレーム上で剛体変換を行い、それを最終フレームに近づける。
論文参考訳（メタデータ） (2021-09-03T13:56:55Z)
Orthogonal Jacobian Regularization for Unsupervised Disentanglement in Image Generation [64.92152574895111]
直交ジャコビアン正規化法(OroJaR)を提案する。提案手法は, 絡み合った, 制御可能な画像生成に有効であり, 最先端の手法に対して好適に機能する。
論文参考訳（メタデータ） (2021-08-17T15:01:46Z)
DiGS : Divergence guided shape implicit neural representation for unoriented point clouds [36.60407995156801]
形状暗黙的神経表現(INR)は近年,形状解析や再構成作業に有効であることが示されている。本稿では,通常のベクトルを入力として必要としない分岐ガイド型形状表現学習手法を提案する。
論文参考訳（メタデータ） (2021-06-21T02:10:03Z)
GELATO: Geometrically Enriched Latent Model for Offline Reinforcement Learning [54.291331971813364]
オフライン強化学習アプローチは、近近法と不確実性認識法に分けられる。本研究では,この2つを潜在変動モデルに組み合わせることのメリットを実証する。提案したメトリクスは、分布サンプルのアウトの品質と、データ内のサンプルの不一致の両方を測定します。
論文参考訳（メタデータ） (2021-02-22T19:42:40Z)
Lottery Tickets in Linear Models: An Analysis of Iterative Magnitude Pruning [52.823408186356225]
我々は宝くじの仮説 arXiv:1803.03635v5, Iterative magnitude pruning (IMP) を分析する。まず、IMPがデータに最小の投影を持つ特徴を具現化する特徴の統計的構造に関する十分な条件を提示することから始める。次に,スパース推定手法としてのIMPについて検討する。
論文参考訳（メタデータ） (2020-07-16T10:33:13Z)
MetricUNet: Synergistic Image- and Voxel-Level Learning for Precise CT Prostate Segmentation via Online Sampling [66.01558025094333]
本稿では,前立腺領域を高速に局在させる第1段階と,前立腺領域を正確に区分する第2段階の2段階のフレームワークを提案する。マルチタスクネットワークにおけるボクセルワイドサンプリングによる新しいオンラインメトリック学習モジュールを提案する。本手法は,従来のクロスエントロピー学習法やDice損失学習法と比較して,より代表的なボクセルレベルの特徴を効果的に学習することができる。
論文参考訳（メタデータ） (2020-05-15T10:37:02Z)
Learning Nonparametric Human Mesh Reconstruction from a Single Image without Ground Truth Meshes [56.27436157101251]
そこで本研究では,人間のメッシュ再構築を基礎となる真理メッシュを使わずに学習する手法を提案する。これはグラフ畳み込みニューラルネットワーク(Graph CNN)の損失関数に2つの新しい用語を導入することで実現される。
論文参考訳（メタデータ） (2020-02-28T20:30:07Z)

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。