論文の概要: Introducing A Novel Method For Adaptive Thresholding In Brain Tumor Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2306.14250v2
• Date: Tue, 27 Jun 2023 13:40:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-28 10:20:00.440441
• Title: Introducing A Novel Method For Adaptive Thresholding In Brain Tumor Medical Image Segmentation
• Title（参考訳）: 脳腫瘍画像分割における適応的閾値設定法の導入
• Authors: Ali Fayzi, Mohammad Fayzi, Mostafa Forotan
• Abstract要約: 個人的な経験に基づく手動のしきい値設定は、エラーを起こしやすく、時間を要する。 このような問題のしきい値を決定するのに従来のしきい値法は有効ではない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: One of the most significant challenges in the field of deep learning and medical image segmentation is to determine an appropriate threshold for classifying each pixel. This threshold is a value above which the model's output is considered to belong to a specific class. Manual thresholding based on personal experience is error-prone and time-consuming, particularly for complex problems such as medical images. Traditional methods for thresholding are not effective for determining the threshold value for such problems. To tackle this challenge, automatic thresholding methods using deep learning have been proposed. However, the main issue with these methods is that they often determine the threshold value statically without considering changes in input data. Since input data can be dynamic and may change over time, threshold determination should be adaptive and consider input data and environmental conditions.
• Abstract（参考訳）: 深層学習と医用画像セグメンテーションの分野で最も重要な課題の1つは、各ピクセルを分類するための適切なしきい値を決定することである。 このしきい値は、モデルの出力が特定のクラスに属すると考えられる値である。 個人の経験に基づく手動しきい値設定は、特に医療画像のような複雑な問題に対して、エラーを起こしやすく、時間を要する。 このような問題のしきい値を決定するのに従来のしきい値法は有効ではない。 この課題に対処するため,ディープラーニングを用いた自動しきい値設定手法が提案されている。 しかし,これらの手法の主な問題は,入力データの変化を考慮せずにしきい値が静的に決定されることである。 入力データは動的であり、時間とともに変化する可能性があるため、しきい値の決定は適応的で、入力データや環境条件を考慮すべきである。

関連論文リスト

• SPA: Efficient User-Preference Alignment against Uncertainty in Medical Image Segmentation [8.34233304138989]
  textbfSPAは、人間との相互作用が最小限である様々なテストタイムの好みに効率的に適応する。 好みのセグメンテーションに達すると、臨床の作業量を減らす。 1) 既存の対話的セグメンテーションアプローチと比較して, 臨床時間と労力の大幅な削減が示されている。
  論文  参考訳（メタデータ） (2024-11-23T10:27:08Z)
• Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
  本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。 提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。 医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-03-19T09:28:19Z)
• Continual Improvement of Threshold-Based Novelty Detection [0.0]
  新規性を検出する一連の技術は、観測されたデータポイントとトレーニングに使用されるデータとの類似性のしきい値に依存する。 本稿では,これらのしきい値を自動的に選択する手法を提案する。 本手法により, MNIST, Fashion MNIST, CIFAR-10の精度が向上することが実証された。
  論文  参考訳（メタデータ） (2023-09-05T19:37:45Z)
• Domain Adaptive Multiple Instance Learning for Instance-level Prediction of Pathological Images [45.132775668689604]
  アノテーションのコストを増大させることなく、ターゲットデータセットの分類性能を向上させるためのタスク設定を提案する。 両手法の監督情報を効果的に組み合わせるために,信頼性の高い擬似ラベルを作成する手法を提案する。
  論文  参考訳（メタデータ） (2023-04-07T08:31:06Z)
• Benchmarking common uncertainty estimation methods with histopathological images under domain shift and label noise [62.997667081978825]
  リスクの高い環境では、深層学習モデルは不確実性を判断し、誤分類の可能性がかなり高い場合に入力を拒否しなければなりません。 我々は,全スライド画像の分類において,最もよく使われている不確実性と頑健さの厳密な評価を行う。 我々は一般的に,手法のアンサンブルが,ドメインシフトやラベルノイズに対するロバスト性の向上とともに,より良い不確実性評価につながることを観察する。
  論文  参考訳（メタデータ） (2023-01-03T11:34:36Z)
• Continual Active Learning Using Pseudo-Domains for Limited Labelling Resources and Changing Acquisition Characteristics [2.6105699925188257]
  臨床ルーチン中の医療画像における機械学習は、スキャナープロトコル、ハードウェア、ポリシーの変更によって損なわれる。 マルチスキャナ環境下で,医療画像のストリーム上で動作する連続的な能動学習手法を提案する。
  論文  参考訳（メタデータ） (2021-11-25T13:11:49Z)
• Adaptive conversion of real-valued input into spike trains [91.3755431537592]
  本稿では,実数値入力をスパイクトレインに変換し,スパイクニューラルネットワークで処理する方法を提案する。 提案手法は網膜神経節細胞の適応的挙動を模倣し,入力ニューロンが入力の統計の変化に応答することを可能にする。
  論文  参考訳（メタデータ） (2021-04-12T12:33:52Z)
• Scalable Marginal Likelihood Estimation for Model Selection in Deep Learning [78.83598532168256]
  階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。 本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
  論文  参考訳（メタデータ） (2021-04-11T09:50:24Z)
• Adaptive Threshold for Better Performance of the Recognition and Re-identification Models [0.0]
  LFWデータセットと自己準備型アスリートデータセット上で,オンライン最適化に基づく統計的特徴学習適応技術を開発した。 適応しきい値を採用するこの方法は、通常任意の分類および識別タスクでヒットアンドトライ法を介して取られる固定しきい値0.3,0.5,0.7と比較してモデル精度が12〜45%向上した。
  論文  参考訳（メタデータ） (2020-12-28T15:40:53Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)
• Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant Disease Diagnosis [64.82680813427054]
  植物病は食料安全保障と作物生産に対する主要な脅威の1つである。 1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。 本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-17T09:51:30Z)

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。