論文の概要: Boundary Difference Over Union Loss For Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2308.00220v1
• Date: Tue, 1 Aug 2023 01:27:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-02 15:52:29.163536
• Title: Boundary Difference Over Union Loss For Medical Image Segmentation
• Title（参考訳）: 医療画像分割における結合損失の境界差
• Authors: Fan Sun and Zhiming Luo and Shaozi Li
• Abstract要約: 我々は、境界領域分割を導くために、ユニオン損失(境界DoU損失)に対する境界差という、シンプルで効果的な損失を開発した。 私たちの損失はリージョンの計算にのみ依存するので、追加の損失を必要とせずに、実装やトレーニングが簡単になります。
• 参考スコア（独自算出の注目度）: 30.75832534753879
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Medical image segmentation is crucial for clinical diagnosis. However, current losses for medical image segmentation mainly focus on overall segmentation results, with fewer losses proposed to guide boundary segmentation. Those that do exist often need to be used in combination with other losses and produce ineffective results. To address this issue, we have developed a simple and effective loss called the Boundary Difference over Union Loss (Boundary DoU Loss) to guide boundary region segmentation. It is obtained by calculating the ratio of the difference set of prediction and ground truth to the union of the difference set and the partial intersection set. Our loss only relies on region calculation, making it easy to implement and training stable without needing any additional losses. Additionally, we use the target size to adaptively adjust attention applied to the boundary regions. Experimental results using UNet, TransUNet, and Swin-UNet on two datasets (ACDC and Synapse) demonstrate the effectiveness of our proposed loss function. Code is available at https://github.com/sunfan-bvb/BoundaryDoULoss.
• Abstract（参考訳）: 臨床診断には医用画像分割が不可欠である。 しかし, 医用画像分割における現在の損失は, 境界分割を導くために提案される損失が少なく, 全体分割結果に主眼を置いている。 存在するものは、しばしば他の損失と組み合わせて使用し、効果のない結果をもたらす必要がある。 この問題に対処するため,我々は,境界領域分割を導くために,結合損失(境界dou損失)の境界差と呼ばれる,単純かつ効果的な損失を開発した。 差分集合と部分交叉集合の和に対する予測と基底真理の差分集合の比率を計算して得られる。 私たちの損失はリージョンの計算にのみ依存するので、追加の損失を必要とせずに、実装やトレーニングが簡単になります。 さらに,境界領域に対する注意を適応的に調整するためにターゲットサイズを用いる。 UNet, TransUNet, Swin-UNetを2つのデータセット(ACDC, Synapse)で実験した結果, 損失関数の有効性が示された。 コードはhttps://github.com/sunfan-bvb/BoundaryDoULossで入手できる。

関連論文リスト

• Multimodal HIE Lesion Segmentation in Neonates: A Comparative Study of Loss Functions [0.0]
  我々は,データ制約を克服するための事前処理,拡張,トレーニング戦略を最適化した3次元U-Netを実装した。 本研究の目的は,HIE病変セグメンテーションタスクに特有な損失関数を同定することである。 Dice, Dice-Focal, Tversky, Hausdorff Distance (HausdorffDT) Loss と、Dice-Focal-HausdorffDT と Tversky-HausdorffDT の2つの複合的な損失によりセグメンテーション性能が向上した。
  論文  参考訳（メタデータ） (2025-02-13T10:23:45Z)
• Contour-weighted loss for class-imbalanced image segmentation [2.183832403223894]
  画像のセグメンテーションは、ほとんど全ての医療画像解析において、自動解釈と処理において極めて重要である。 クラス内とクラス間のデータ不均衡のため、イメージセグメンテーションを実行することはしばしば困難である。 本稿では,コンパクトで効果的な輪郭重み付き損失関数を用いた新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-06-07T07:43:52Z)
• Cross-Dataset Adaptation for Instrument Classification in Cataract Surgery Videos [54.1843419649895]
  特定のデータセットでこのタスクをうまく実行する最先端モデルでは、別のデータセットでテストすると、パフォーマンスが低下する。 本稿では,Barlow Adaptorと呼ばれる新しいエンドツーエンドのUnsupervised Domain Adaptation (UDA)手法を提案する。 さらに,BFAL(Barlow Feature Alignment Loss)と呼ばれる,異なるドメインにまたがる特徴を整列させる新たな損失を導入する。
  論文  参考訳（メタデータ） (2023-07-31T18:14:18Z)
• Robust T-Loss for Medical Image Segmentation [56.524774292536264]
  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。
  論文  参考訳（メタデータ） (2023-06-01T14:49:40Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• 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)
• The Role of Local Alignment and Uniformity in Image-Text Contrastive Learning on Medical Images [7.49320945341034]
  局所的なコントラスト損失がグローバルな(サンプルごとの)コントラスト損失とどのように関連し、局所的な医療ダウンストリームタスクにどのような影響があるかを検討する。 理論的比較に基づき、局所的な損失のいくつかの成分を除去し、新しい分布に置き換えることを提案する。 胸部X線課題に対するこのアプローチを実証的に研究し,12タスク中12タスクにおいて局所的な損失を伴わずに,極めて効果的かつ優れた手法であることが確認された。
  論文  参考訳（メタデータ） (2022-11-14T10:32:51Z)
• Effect of Prior-based Losses on Segmentation Performance: A Benchmark [7.6857153840014165]
  深層畳み込みニューラルネットワーク(CNN)は、医用画像セグメンテーションの最先端のパフォーマンスを実証している。 近年の研究では、物体の形状や境界といった事前の知識を損失関数の制約として取り入れることに焦点が当てられている。 本稿では,最近の医用画像のセグメンテーションにおける先行的損失のベンチマークを確立する。
  論文  参考訳（メタデータ） (2022-01-07T12:27:48Z)
• Active Boundary Loss for Semantic Segmentation [58.72057610093194]
  本稿では,セマンティックセグメンテーションのための新しいアクティブ境界損失を提案する。 エンド・ツー・エンドのトレーニングにおいて、予測境界とグランド・トゥルース・バウンダリのアライメントを徐々に促進することができる。 実験結果から, アクティブ境界損失によるトレーニングは, 境界Fスコアと平均インターセクションオーバ・ユニオンを効果的に改善できることが示された。
  論文  参考訳（メタデータ） (2021-02-04T15:47:54Z)
• Weakly-supervised Learning For Catheter Segmentation in 3D Frustum Ultrasound [74.22397862400177]
  超音波を用いた新しいカテーテルセグメンテーション法を提案する。 提案手法は,1ボリュームあたり0.25秒の効率で最先端の性能を実現した。
  論文  参考訳（メタデータ） (2020-10-19T13:56:22Z)
• An Elastic Interaction-Based Loss Function for Medical Image Segmentation [10.851295591782538]
  本稿では,医用画像セグメンテーションのための長距離弾性相互作用に基づくトレーニング戦略を提案する。 この戦略において、CNNは予測領域の境界と実際の物体の境界との間の弾性相互作用エネルギーの誘導の下で対象領域を学習する。 実験結果から,本手法は一般的に用いられている画素単位の損失関数と比較して,大幅な改善が可能であることが示された。
  論文  参考訳（メタデータ） (2020-07-06T11:49:14Z)

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。