論文の概要: Interpretable Small Training Set Image Segmentation Network Originated
from Multi-Grid Variational Model
- arxiv url: http://arxiv.org/abs/2306.14097v1
- Date: Sun, 25 Jun 2023 02:34:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-27 16:50:28.891638
- Title: Interpretable Small Training Set Image Segmentation Network Originated
from Multi-Grid Variational Model
- Title（参考訳）: マルチグリッド変動モデルに基づく解釈可能な小訓練セット画像分割ネットワーク
- Authors: Junying Meng and Weihong Guo and Jun Liu and Mingrui Yang
- Abstract要約: 深層学習法 (DL) が提案され, 画像分割に広く利用されている。
DLメソッドは通常、トレーニングデータとして大量の手動セグメントデータを必要とし、解釈性に乏しい。
本稿では,MSモデルにおける手作り正則項をデータ適応型一般化可学習正則項に置き換える。
- 参考スコア（独自算出の注目度）: 5.283735137946097
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The main objective of image segmentation is to divide an image into
homogeneous regions for further analysis. This is a significant and crucial
task in many applications such as medical imaging. Deep learning (DL) methods
have been proposed and widely used for image segmentation. However, these
methods usually require a large amount of manually segmented data as training
data and suffer from poor interpretability (known as the black box problem).
The classical Mumford-Shah (MS) model is effective for segmentation and
provides a piece-wise smooth approximation of the original image. In this
paper, we replace the hand-crafted regularity term in the MS model with a data
adaptive generalized learnable regularity term and use a multi-grid framework
to unroll the MS model and obtain a variational model-based segmentation
network with better generalizability and interpretability. This approach allows
for the incorporation of learnable prior information into the network structure
design. Moreover, the multi-grid framework enables multi-scale feature
extraction and offers a mathematical explanation for the effectiveness of the
U-shaped network structure in producing good image segmentation results. Due to
the proposed network originates from a variational model, it can also handle
small training sizes. Our experiments on the REFUGE dataset, the White Blood
Cell image dataset, and 3D thigh muscle magnetic resonance (MR) images
demonstrate that even with smaller training datasets, our method yields better
segmentation results compared to related state of the art segmentation methods.
- Abstract（参考訳）: 画像セグメンテーションの主な目的は、画像をさらに分析するために均質な領域に分割することである。
これは医療画像など多くの応用において重要かつ重要な課題である。
深層学習(DL)手法が提案され,画像分割に広く利用されている。
しかしながら、これらの手法は通常、トレーニングデータとして大量の手動セグメントデータを必要とし、(ブラックボックス問題として知られる)解釈性に乏しい。
古典的なマンフォード・シャーモデル(MS)はセグメント化に有効であり、元の画像の断片的に滑らかな近似を提供する。
本稿では,MSモデルにおける手作りの規則項を,データ適応型一般化学習可能規則項に置き換え,マルチグリッドフレームワークを用いてMSモデルをアンロールし,より一般化性と解釈性のある変動モデルベースセグメンテーションネットワークを得る。
このアプローチにより、学習可能な事前情報をネットワーク構造設計に組み込むことができる。
さらに、マルチグリッドフレームワークは、マルチスケールの特徴抽出を可能にし、良好な画像分割結果を生成するためのU字型ネットワーク構造の有効性に関する数学的説明を提供する。
提案されたネットワークは変動モデルに由来するため、小さなトレーニングサイズの処理も可能である。
我々は,REFUGEデータセット,White Blood Cell画像データセット,および3次元大腿筋磁気共鳴(MR)画像を用いた実験により,訓練データセットが小さい場合でも,アートセグメンテーション手法の関連状況と比較して,より優れたセグメンテーション結果が得られることを示した。
関連論文リスト
- UnSeg: One Universal Unlearnable Example Generator is Enough against All Image Segmentation [64.01742988773745]
未承認のプライベートデータ上での大規模なイメージセグメンテーションモデルのトレーニングに関して、プライバシーに関する懸念が高まっている。
我々は、学習不可能な例の概念を利用して、学習不可能なノイズを原画像に生成し、付加することにより、モデルトレーニングに使用不能な画像を作成する。
6つのメインストリームイメージセグメンテーションタスク、10つの広く使われているデータセット、7つの異なるネットワークアーキテクチャでUnSegの有効性を実証的に検証する。
論文 参考訳（メタデータ） (2024-10-13T16:34:46Z) - A Simple and Robust Framework for Cross-Modality Medical Image
Segmentation applied to Vision Transformers [0.0]
単一条件モデルを用いて複数モードの公平な画像分割を実現するための簡単なフレームワークを提案する。
本研究の枠組みは,マルチモーダル全心条件課題において,他のモダリティセグメンテーション手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-10-09T09:51:44Z) - FAS-UNet: A Novel FAS-driven Unet to Learn Variational Image
Segmentation [3.741136641573471]
本稿では,そのモデルとアルゴリズムを利用してマルチスケールの特徴を抽出する新しい変動モデルインフォームドネットワーク(FAS-Unet)を提案する。
提案するネットワークは,画像データと数理モデルを統合し,いくつかの畳み込みカーネルを学習して実装する。
実験結果から,提案するFAS-Unetは,定性的,定量的,モデル複雑度評価において,他の最先端手法と非常に競合することが示された。
論文 参考訳（メタデータ） (2022-10-27T04:15:16Z) - Meta Internal Learning [88.68276505511922]
単一画像生成のための内部学習は、単一の画像に基づいて新しい画像を生成するようにジェネレータを訓練するフレームワークである。
本稿では,サンプル画像の内部統計をより効果的にモデル化するために,画像集合のトレーニングを可能にするメタラーニング手法を提案する。
以上の結果から, 得られたモデルは, 多数の共通画像アプリケーションにおいて, シングルイメージのGANと同程度に適していることがわかった。
論文 参考訳（メタデータ） (2021-10-06T16:27:38Z) - Enhancing MR Image Segmentation with Realistic Adversarial Data
Augmentation [17.539828821476224]
本稿では,学習データの利用効率を向上させるために,逆データ拡張手法を提案する。
本稿では,データ拡張モデルとセグメンテーションネットワークを協調的に最適化する汎用的なタスク駆動学習フレームワークを提案する。
提案した逆データ拡張は生成ネットワークに依存しず,汎用セグメンテーションネットワークのプラグインモジュールとして使用できる。
論文 参考訳（メタデータ） (2021-08-07T11:32:37Z) - MSRF-Net: A Multi-Scale Residual Fusion Network for Biomedical Image
Segmentation [10.979393806308648]
医用画像分割タスクに特化して設計されたMSRF-Netという新しいアーキテクチャを提案する。
MSRF-Netは、デュアルスケール高密度核融合ブロック(DSDF)を用いて、様々な受容場のマルチスケール特徴を交換できる
我々のDSDFブロックは2つの異なる解像度スケールで情報交換が可能であり、MSRFサブネットワークは複数のDSDFブロックを順次使用してマルチスケール融合を行う。
論文 参考訳（メタデータ） (2021-05-16T15:19:56Z) - Group-Wise Semantic Mining for Weakly Supervised Semantic Segmentation [49.90178055521207]
この研究は、画像レベルのアノテーションとピクセルレベルのセグメンテーションのギャップを埋めることを目標に、弱い監督されたセマンティックセグメンテーション(WSSS)に対処する。
画像群における意味的依存関係を明示的にモデル化し,より信頼性の高い擬似的基盤構造を推定する,新たなグループ学習タスクとしてWSSSを定式化する。
特に、入力画像がグラフノードとして表現されるグループ単位のセマンティックマイニングのためのグラフニューラルネットワーク(GNN)を考案する。
論文 参考訳（メタデータ） (2020-12-09T12:40:13Z) - Realistic Adversarial Data Augmentation for MR Image Segmentation [17.951034264146138]
医用画像セグメンテーションのためのニューラルネットワークのトレーニングのための逆データ拡張手法を提案する。
このモデルでは,MR画像における共通の種類のアーチファクトによって生じる強度不均一性,すなわちバイアス場をモデル化する。
このような手法により,モデルの一般化と堅牢性の向上が図られ,低データシナリオにおける大幅な改善が期待できる。
論文 参考訳（メタデータ） (2020-06-23T20:43:18Z) - Learning Deformable Image Registration from Optimization: Perspective,
Modules, Bilevel Training and Beyond [62.730497582218284]
マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。
我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
論文 参考訳（メタデータ） (2020-04-30T03:23:45Z) - Pathological Retinal Region Segmentation From OCT Images Using Geometric
Relation Based Augmentation [84.7571086566595]
本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。
提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
論文 参考訳（メタデータ） (2020-03-31T11:50:43Z) - Attentive CutMix: An Enhanced Data Augmentation Approach for Deep
Learning Based Image Classification [58.20132466198622]
そこで我々は,CutMixに基づく自然拡張拡張戦略であるAttentive CutMixを提案する。
各トレーニングイテレーションにおいて、特徴抽出器から中間注意マップに基づいて最も記述性の高い領域を選択する。
提案手法は単純かつ有効であり,実装が容易であり,ベースラインを大幅に向上させることができる。
論文 参考訳（メタデータ） (2020-03-29T15:01:05Z)
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。