論文の概要: Robust T-Loss for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2306.00753v1
• Date: Thu, 1 Jun 2023 14:49:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-02 15:25:22.896048
• Title: Robust T-Loss for Medical Image Segmentation
• Title（参考訳）: 医用画像分割のためのロバストなT-ロス
• Authors: Alvaro Gonzalez-Jimenez, Simone Lionetti, Philippe Gottfrois, Fabian Gr\"oger, Marc Pouly, Alexander Navarini
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 56.524774292536264
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a new robust loss function, the T-Loss, for medical image segmentation. The proposed loss is based on the negative log-likelihood of the Student-t distribution and can effectively handle outliers in the data by controlling its sensitivity with a single parameter. This parameter is updated during the backpropagation process, eliminating the need for additional computation or prior information about the level and spread of noisy labels. Our experiments show that the T-Loss outperforms traditional loss functions in terms of dice scores on two public medical datasets for skin lesion and lung segmentation. We also demonstrate the ability of T-Loss to handle different types of simulated label noise, resembling human error. Our results provide strong evidence that the T-Loss is a promising alternative for medical image segmentation where high levels of noise or outliers in the dataset are a typical phenomenon in practice. The project website can be found at https://robust-tloss.github.io
• Abstract（参考訳）: 本稿では,医用画像分割のための新しいロバスト損失関数T-Lossを提案する。 提案する損失は,student-t分布の負のログ類似性に基づいており,その感度を1つのパラメータで制御することにより,データの異常値を効果的に処理できる。 このパラメータはバックプロパゲーションプロセス中に更新され、追加の計算やノイズラベルのレベルと拡散に関する事前情報の必要性がなくなる。 以上の結果から,T-Lossは皮膚病変と肺分画の2つの公的医療データセットにおいて,従来の損失関数よりも優れていた。 また,T-Lossが人間の誤りに類似した異なる種類のラベルノイズを扱えることを示す。 以上の結果から,T-Lossが医用画像セグメンテーションの代替となる可能性が示唆された。 プロジェクトのWebサイトはhttps://robust-tloss.github.ioにある。

関連論文リスト

• The Fisher-Rao Loss for Learning under Label Noise [9.238700679836855]
  離散分布の統計多様体におけるフィッシャー・ラオ距離から生じるフィッシャー・ラオ損失関数について検討する。 ラベルノイズの存在下での性能劣化の上限を導出し,この損失の学習速度を解析する。
  論文  参考訳（メタデータ） (2022-10-28T20:50:10Z)
• What can we learn about a generated image corrupting its latent representation? [57.1841740328509]
  GANのボトルネックにおける潜在表現に基づいて画像品質を予測できるという仮説を考察する。 遅延表現を雑音で破壊し、複数の出力を生成することでこれを実現できる。
  論文  参考訳（メタデータ） (2022-10-12T14:40:32Z)
• Weakly Supervised Medical Image Segmentation With Soft Labels and Noise Robust Loss [0.16490701092527607]
  ディープラーニングモデルのトレーニングには、エキスパートラベル付きアノテーションを備えた大規模なデータセットが一般的に必要である。 不正確なセグメンテーションラベルで訓練されたディープラーニングモデルを用いた画像ベースの医療診断ツールは、誤診断や治療提案につながる可能性がある。 本研究の目的は, マルチラターアノテーションとMRIにおける病変の特徴の解剖学的知識に基づいて, 確率ラベルを生成する手法を開発し, 評価することである。
  論文  参考訳（メタデータ） (2022-09-16T21:07:59Z)
• On the Optimal Combination of Cross-Entropy and Soft Dice Losses for Lesion Segmentation with Out-of-Distribution Robustness [15.08731999725517]
  医用画像の病変セグメント化に対する異なる損失関数の影響について検討した。 損失関数の最小化が分布内性能に与える影響を解析する。 CE-Dice損失組合せは, 分布内画像のセグメンテーションにおいて優れており, 分布外データを扱う場合, 性能が劣る。
  論文  参考訳（メタデータ） (2022-09-13T15:32:32Z)
• Data-Efficient Vision Transformers for Multi-Label Disease Classification on Chest Radiographs [55.78588835407174]
  視覚変換器(ViT)は一般的な画像の分類性能が高いにもかかわらず、このタスクには適用されていない。 ViTは、畳み込みではなくパッチベースの自己アテンションに依存しており、CNNとは対照的に、ローカル接続に関する事前の知識は存在しない。 以上の結果から,ViTとCNNのパフォーマンスはViTの利点に匹敵するものの,DeiTsはトレーニング用に適度に大規模なデータセットが利用可能であれば,前者よりも優れることがわかった。
  論文  参考訳（メタデータ） (2022-08-17T09:07:45Z)
• Treatment Learning Causal Transformer for Noisy Image Classification [62.639851972495094]
  本研究では,この2値情報「ノイズの存在」を画像分類タスクに組み込んで予測精度を向上させる。 因果的変動推定から動機付け,雑音画像分類のための頑健な特徴表現を潜在生成モデルを用いて推定するトランスフォーマーに基づくアーキテクチャを提案する。 また、パフォーマンスベンチマークのための幅広いノイズ要素を取り入れた、新しいノイズの多い画像データセットも作成する。
  論文  参考訳（メタデータ） (2022-03-29T13:07:53Z)
• FedMed-ATL: Misaligned Unpaired Brain Image Synthesis via Affine Transform Loss [58.58979566599889]
  脳画像合成のための新しい自己教師型学習(FedMed)を提案する。 アフィン変換損失(ATL)は、プライバシー法に違反することなく、ひどく歪んだ画像を使用するように定式化された。 提案手法は, 極めて不整合かつ不整合なデータ設定下での合成結果の品質の両方において, 高度な性能を示す。
  論文  参考訳（メタデータ） (2022-01-29T13:45:39Z)
• Learning from Noisy Labels via Dynamic Loss Thresholding [69.61904305229446]
  我々はDLT(Dynamic Loss Thresholding)という新しい手法を提案する。 トレーニングプロセス中、DLTは各サンプルの損失値を記録し、動的損失閾値を算出する。 CIFAR-10/100 と Clothing1M の実験は、最近の最先端手法よりも大幅に改善されている。
  論文  参考訳（メタデータ） (2021-04-01T07:59:03Z)
• Matthews Correlation Coefficient Loss for Deep Convolutional Networks: Application to Skin Lesion Segmentation [19.673662082910766]
  ディープラーニングベースのモデルは、データのクラス不均衡に影響を受けやすい。 本稿では,スキュートクラス分布を持つシナリオにおいて,効率的であることを示す計量であるマシューズ相関係数を用いた新しい計量に基づく損失関数を提案する。 提案した損失関数は,平均Jaccard指数において,Dice損失を11.25%,4.87%,0.76%で比較した。
  論文  参考訳（メタデータ） (2020-10-26T09:50:25Z)
• Brain Metastasis Segmentation Network Trained with Robustness to Annotations with Multiple False Negatives [1.9031935295821718]
  対象アノテーションに非自明な偽陰性率が存在することを前提とした下向きの損失関数を開発する。 擬似偽陰率を50%まで下げても、ランダムに検閲されたデータに損失関数を適用すると、最大感度は97%に抑えられる。 私たちの作業は、画像ラベリングプロセスのより効率的なスケーリングを可能にします。
  論文  参考訳（メタデータ） (2020-01-26T19:23:07Z)

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。

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。