論文の概要: Enhancing Medical Image Segmentation: Optimizing Cross-Entropy Weights and Post-Processing with Autoencoders

• arxiv url: http://arxiv.org/abs/2308.10488v1
• Date: Mon, 21 Aug 2023 06:09:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-22 14:59:14.176553
• Title: Enhancing Medical Image Segmentation: Optimizing Cross-Entropy Weights and Post-Processing with Autoencoders
• Title（参考訳）: 医用画像セグメンテーションの強化:クロスエントロピー重量の最適化とオートエンコーダによる後処理
• Authors: Pranav Singh, Luoyao Chen, Mei Chen, Jinqian Pan, Raviteja Chukkapalli, Shravan Chaudhari and Jacopo Cirrone
• Abstract要約: 本稿では,医用画像セグメンテーションに適した深層学習手法を提案する。 提案手法は,U-Netでは平均12.26%,U-Net++では12.04%,皮膚筋炎データセットではResNetファミリーのエンコーダでは平均12.26%,最先端技術では12.04%に優れていた。
• 参考スコア（独自算出の注目度）: 10.59457299493644
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The task of medical image segmentation presents unique challenges, necessitating both localized and holistic semantic understanding to accurately delineate areas of interest, such as critical tissues or aberrant features. This complexity is heightened in medical image segmentation due to the high degree of inter-class similarities, intra-class variations, and possible image obfuscation. The segmentation task further diversifies when considering the study of histopathology slides for autoimmune diseases like dermatomyositis. The analysis of cell inflammation and interaction in these cases has been less studied due to constraints in data acquisition pipelines. Despite the progressive strides in medical science, we lack a comprehensive collection of autoimmune diseases. As autoimmune diseases globally escalate in prevalence and exhibit associations with COVID-19, their study becomes increasingly essential. While there is existing research that integrates artificial intelligence in the analysis of various autoimmune diseases, the exploration of dermatomyositis remains relatively underrepresented. In this paper, we present a deep-learning approach tailored for Medical image segmentation. Our proposed method outperforms the current state-of-the-art techniques by an average of 12.26% for U-Net and 12.04% for U-Net++ across the ResNet family of encoders on the dermatomyositis dataset. Furthermore, we probe the importance of optimizing loss function weights and benchmark our methodology on three challenging medical image segmentation tasks
• Abstract（参考訳）: 医用画像セグメンテーションの課題は、局所的および全体論的意味理解の両方を必要とし、重要な組織や異常な特徴などの関心領域を正確に記述することである。 この複雑さは、高いクラス間類似度、クラス内変異、および画像難読化により、医用画像のセグメンテーションにおいて高められる。 このセグメンテーションタスクは、皮膚筋炎のような自己免疫疾患の病理組織学スライドの研究を考えるとさらに多様化する。 これらの症例における細胞炎症と相互作用の解析は、データ取得パイプラインの制約のため、あまり研究されていない。 医学の進歩的な進歩にもかかわらず、私たちは自己免疫疾患の包括的なコレクションを欠いている。 自己免疫疾患が世界的に流行し、COVID-19と結びついているため、研究はますます不可欠になっている。 さまざまな自己免疫疾患の分析に人工知能を統合する研究は存在するが、皮膚筋炎の調査は比較的少ないままである。 本稿では,医用画像セグメンテーションに適した深層学習手法を提案する。 提案手法は,U-Netでは平均12.26%,U-Net++では12.04%,皮膚筋炎データセットではResNetファミリーのエンコーダでは平均12.26%,最先端技術では12.04%に優れていた。 さらに、損失関数重み付けの最適化の重要性を考察し、3つの困難な医用画像分割作業の方法論をベンチマークする。

関連論文リスト

• QUBIQ: Uncertainty Quantification for Biomedical Image Segmentation Challenge [93.61262892578067]
  医用画像分割作業の不確実性、特にラター間変動性は重要な課題である。 この可変性は、自動セグメンテーションアルゴリズムの開発と評価に直接影響を及ぼす。 バイオメディカル画像量化チャレンジ(QUBIQ)における不確実性の定量化のベンチマーク結果を報告する。
  論文  参考訳（メタデータ） (2024-03-19T17:57:24Z)
• Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary Task Integration [54.76511683427566]
  本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。 この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。 PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
  論文  参考訳（メタデータ） (2024-02-16T05:16:20Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• A Data-Efficient Deep Learning Framework for Segmentation and Classification of Histopathology Images [0.0]
  自己免疫疾患では、細胞型が組織レベルで炎症に関与するかについて、主要な研究課題が残っている。 本稿では,皮膚筋炎生検を用いて炎症細胞を検出・同定する深層学習手法を実証的に開発する。 本稿では,セグメンテーション性能を3%向上するポストプロセッシングオートエンコーダアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-07-13T19:23:49Z)
• Medical Image Segmentation on MRI Images with Missing Modalities: A Review [3.9548535445908928]
  本研究の主な目的は、欠落したモダリティ補償ネットワークの性能評価を提供することである。 この問題のネガティブな影響を軽減するために、様々なアプローチが時間をかけて開発されてきた。
  論文  参考訳（メタデータ） (2022-03-11T19:33:26Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
  胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。 また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
  論文  参考訳（メタデータ） (2020-07-21T14:37:00Z)
• Co-Heterogeneous and Adaptive Segmentation from Multi-Source and Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion Segmentation [48.504790189796836]
  我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。 本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。 CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
  論文  参考訳（メタデータ） (2020-05-27T06:58:39Z)

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。