Fugu-MT 論文翻訳(概要): Elongated Physiological Structure Segmentation via Spatial and Scale Uncertainty-aware Network

論文の概要: Elongated Physiological Structure Segmentation via Spatial and Scale Uncertainty-aware Network

arxiv url: http://arxiv.org/abs/2305.18865v1
Date: Tue, 30 May 2023 08:57:31 GMT
ステータス: 処理完了
システム内更新日: 2023-05-31 17:19:43.931924
Title: Elongated Physiological Structure Segmentation via Spatial and Scale Uncertainty-aware Network
Title（参考訳）: 空間的・スケール不確実性認識ネットワークによる伸長生理構造分割
Authors: Yinglin Zhang, Ruiling Xi, Huazhu Fu, Dave Towey, RuiBin Bai, Risa Higashita, Jiang Liu
Abstract要約: 本研究では,空間的・大規模不確実性認識ネットワーク(SSU-Net)を提案する。実験の結果,SSU-Netは角膜内皮細胞と網膜血管の分節機能に優れていた。
参考スコア（独自算出の注目度）: 28.88756808141357
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Robust and accurate segmentation for elongated physiological structures is challenging, especially in the ambiguous region, such as the corneal endothelium microscope image with uneven illumination or the fundus image with disease interference. In this paper, we present a spatial and scale uncertainty-aware network (SSU-Net) that fully uses both spatial and scale uncertainty to highlight ambiguous regions and integrate hierarchical structure contexts. First, we estimate epistemic and aleatoric spatial uncertainty maps using Monte Carlo dropout to approximate Bayesian networks. Based on these spatial uncertainty maps, we propose the gated soft uncertainty-aware (GSUA) module to guide the model to focus on ambiguous regions. Second, we extract the uncertainty under different scales and propose the multi-scale uncertainty-aware (MSUA) fusion module to integrate structure contexts from hierarchical predictions, strengthening the final prediction. Finally, we visualize the uncertainty map of final prediction, providing interpretability for segmentation results. Experiment results show that the SSU-Net performs best on cornea endothelial cell and retinal vessel segmentation tasks. Moreover, compared with counterpart uncertainty-based methods, SSU-Net is more accurate and robust.
Abstract（参考訳）: 伸長した生理構造に対するロバストで正確なセグメンテーションは、特に不均一な照明を持つ角膜内皮顕微鏡像や疾患干渉を伴う眼底像のような曖昧な領域において困難である。本稿では,空間的・スケール的不確実性を考慮した空間的・スケール的不確実性認識ネットワーク(SSU-Net)を提案する。まず,モンテカルロドロップアウトから近似ベイズネットワークへの認識的空間的不確かさマップを推定する。このような空間不確実性マップに基づいて,不明瞭領域に焦点を合わせるためのゲート型ソフト不確実性認識モジュール(GSUA)を提案する。次に,異なるスケールで不確かさを抽出し,階層的予測から構造的コンテキストを統合するマルチスケール不確実性認識(msua)融合モジュールを提案する。最後に、最終予測の不確実性マップを可視化し、セグメンテーション結果の解釈可能性を提供する。実験の結果,SSU-Netは角膜内皮細胞と網膜血管の分節機能に優れていた。さらに、ssu-netは不確実性に基づく手法に比べて正確で堅牢である。

関連論文リスト

Evidential Semantic Mapping in Off-road Environments with Uncertainty-aware Bayesian Kernel Inference [5.120567378386614]
本稿では,オフロード環境における信頼性を高めることを目的とした,明白なセマンティックマッピングフレームワークを提案する。セマンティックな不確かさを適応的に処理することにより、提案フレームワークは、これまで見えなかった環境においても、周囲の堅牢な表現を構築する。
論文参考訳（メタデータ） (2024-03-21T05:13:34Z)
Topology-Aware Uncertainty for Image Segmentation [19.248891926246383]
このようなタスクに対する不確実性の推定に重点を置いているので、人間のアノテータが検証できるように、非常に不確実でエラーを起こしやすい構造を特定できる。本稿では,隣接する構造物を考慮に入れながら構造物の不確かさを推定する共同予測モデルを提案する。また,各構造に固有の不確かさをモデル化する新しい確率的DMTを提案する。
論文参考訳（メタデータ） (2023-06-09T05:01:55Z)
Fully Bayesian VIB-DeepSSM [0.0]
統計的形状モデリング(SSM)は解剖学的形状の定量的解析を可能にし、臨床診断を行う。 DeepSSMは、アレタリック不確実性定量化画像から解剖学の確率的形状を予測するための、効果的で原則化されたフレームワークである。完全ベイズVIBの定式化を導出し、2つのスケーラブルな実装手法の有効性を実証する。合成形状と左房データの実験により、完全ベイズVIBネットワークは精度を犠牲にすることなく不確実性推論を改善した画像からSSMを予測することを示した。
論文参考訳（メタデータ） (2023-05-09T23:01:05Z)
S3M: Scalable Statistical Shape Modeling through Unsupervised Correspondences [91.48841778012782]
本研究では,集団解剖学における局所的および大域的形状構造を同時に学習するための教師なし手法を提案する。我々のパイプラインは、ベースライン法と比較して、SSMの教師なし対応推定を大幅に改善する。我々の手法は、ノイズの多いニューラルネットワーク予測から学ぶのに十分堅牢であり、より大きな患者にSSMを拡張できる可能性がある。
論文参考訳（メタデータ） (2023-04-15T09:39:52Z)
Uncertainty estimation in Deep Learning for Panoptic segmentation [0.46040036610482665]
本研究では, アンサンブルに基づく不確実性推定手法が汎視的セグメンテーション領域でどのように利用できるかを示す。 COCO、KITTI-STEP、VIPERデータセットで結果が示されている。
論文参考訳（メタデータ） (2023-04-04T19:54:35Z)
Improving Uncertainty Quantification of Variance Networks by Tree-Structured Learning [10.566352737844369]
本研究では,不確実性に基づいて特徴空間を複数の領域に分割する木構造局所ニューラルネットワークモデルを提案する。提案したUncertainty-Splitting Neural Regression Tree (USNRT)は、新しいスプリッティング基準を採用している。 USNRTやそのアンサンブルは、分散を伴う不確実性を定量化するための最近の一般的な手法と比較して、優れた性能を示している。
論文参考訳（メタデータ） (2022-12-24T05:25:09Z)
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)
Inconsistency-aware Uncertainty Estimation for Semi-supervised Medical Image Segmentation [92.9634065964963]
我々は、不確実性推定と個別の自己学習戦略に基づいて、新しい半教師付きセグメンテーションモデル、すなわち保守的ラディカルネットワーク(CoraNet)を提案する。現在の技術と比較すると、ColaNetは優れたパフォーマンスを示しています。
論文参考訳（メタデータ） (2021-10-17T08:49:33Z)
Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
論文参考訳（メタデータ） (2020-12-10T23:28:36Z)
An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文参考訳（メタデータ） (2020-12-06T18:55:07Z)
DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
論文参考訳（メタデータ） (2020-08-19T06:02:46Z)

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。