論文の概要: Unsupervised Skin Lesion Segmentation via Structural Entropy Minimization on Multi-Scale Superpixel Graphs

• arxiv url: http://arxiv.org/abs/2309.01899v1
• Date: Tue, 5 Sep 2023 02:15:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-06 16:54:53.410114
• Title: Unsupervised Skin Lesion Segmentation via Structural Entropy Minimization on Multi-Scale Superpixel Graphs
• Title（参考訳）: マルチスケール超画素グラフ上の構造エントロピー最小化による非教師付き皮膚病変分割
• Authors: Guangjie Zeng, Hao Peng, Angsheng Li, Zhiwei Liu, Chunyang Liu, Philip S. Yu, Lifang He
• Abstract要約: 本研究では,構造エントロピーと孤立林外層検出に基づく非教師付き皮膚病変sEgmentationフレームワーク,すなわちSLEDを提案する。 皮膚病変は、皮膚内視鏡像から構築した超画素グラフの構造エントロピーを最小化することにより区分される。 健康な皮膚の特徴の整合性を特徴とし, マルチスケールのセグメンテーション機構を考案し, マルチスケールのスーパーピクセル特徴を活用して, セグメンテーション精度を向上させる。
• 参考スコア（独自算出の注目度）: 59.19218582436495
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Skin lesion segmentation is a fundamental task in dermoscopic image analysis. The complex features of pixels in the lesion region impede the lesion segmentation accuracy, and existing deep learning-based methods often lack interpretability to this problem. In this work, we propose a novel unsupervised Skin Lesion sEgmentation framework based on structural entropy and isolation forest outlier Detection, namely SLED. Specifically, skin lesions are segmented by minimizing the structural entropy of a superpixel graph constructed from the dermoscopic image. Then, we characterize the consistency of healthy skin features and devise a novel multi-scale segmentation mechanism by outlier detection, which enhances the segmentation accuracy by leveraging the superpixel features from multiple scales. We conduct experiments on four skin lesion benchmarks and compare SLED with nine representative unsupervised segmentation methods. Experimental results demonstrate the superiority of the proposed framework. Additionally, some case studies are analyzed to demonstrate the effectiveness of SLED.
• Abstract（参考訳）: 皮膚病変のセグメンテーションは皮膚画像解析の基本的な課題である。 病変領域の画素の複雑な特徴は病変の分節精度を阻害し,既存の深層学習に基づく手法では,この問題に対する解釈可能性に欠けることが多い。 本研究では,構造エントロピーと森林の孤立度検出に基づく新しい非教師付き皮膚病変sEgmentationフレームワーク,すなわちSLEDを提案する。 特に、皮膚病変は、皮膚内視鏡像から構築された超画素グラフの構造エントロピーを最小化することにより区分される。 次に, 健康な肌特徴の一貫性を特徴とし, 異常検出による新しいマルチスケールセグメンテーション機構を考案し, スーパーピクセル特徴を多スケールから活用することでセグメンテーション精度を向上させる。 4つの皮膚病変のベンチマーク実験を行い、SLEDと9つの非教師なしセグメンテーション法を比較した。 実験により,提案手法の優位性を示した。 さらに、SLEDの有効性を示すためにいくつかのケーススタディを分析した。

関連論文リスト

• LSSF-Net: Lightweight Segmentation with Self-Awareness, Spatial Attention, and Focal Modulation [8.566930077350184]
  本研究では,モバイル端末を用いた皮膚病変のセグメンテーションに特化して設計された,新しい軽量ネットワークを提案する。 ネットワークは、コンバータベースの焦点変調注意、自己認識型局所空間注意、分割チャネルシャッフルを組み込んだエンコーダデコーダアーキテクチャで構成されている。 経験的所見は、Jaccardの指標に顕著な、最先端のパフォーマンスを裏付けるものである。
  論文  参考訳（メタデータ） (2024-09-03T03:06:32Z)
• K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality Assessment [71.27193056354741]
  クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。 本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。 K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
  論文  参考訳（メタデータ） (2023-07-10T01:26:48Z)
• Scale-aware Super-resolution Network with Dual Affinity Learning for Lesion Segmentation from Medical Images [50.76668288066681]
  低解像度医用画像から様々な大きさの病変を適応的に分割する,スケールアウェアな超解像ネットワークを提案する。 提案するネットワークは,他の最先端手法と比較して一貫した改善を実現した。
  論文  参考訳（メタデータ） (2023-05-30T14:25:55Z)
• 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)
• A Survey on Deep Learning for Skin Lesion Segmentation [32.523358996420846]
  皮膚がんは、この一般的な疾患の負担を軽減するために、コンピュータ支援による診断の恩恵を受ける主要な公衆衛生問題である。 画像からの皮膚病変のセグメンテーションは、この目標を達成するための重要なステップである。 天然物や人工物(毛髪や気泡など)の存在、本質的要因(病変の形状やコントラストなど)、画像取得条件の変化により、皮膚病変のセグメンテーションは難しい課題となる。
  論文  参考訳（メタデータ） (2022-06-01T09:43:10Z)
• Salient Skin Lesion Segmentation via Dilated Scale-Wise Feature Fusion Network [28.709314434820953]
  現在の皮膚病変のセグメンテーションアプローチは、困難な状況下ではパフォーマンスが悪くなっている。 畳み込み分解に基づく拡張スケールワイド機能融合ネットワークを提案する。 提案手法は, 常に最先端の結果を示す。
  論文  参考訳（メタデータ） (2022-05-20T16:08:37Z)
• DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
  本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。 我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。 皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
  論文  参考訳（メタデータ） (2020-08-19T06:02:46Z)
• Retinal Image Segmentation with a Structure-Texture Demixing Network [62.69128827622726]
  複雑な構造とテクスチャ情報は網膜画像に混在し、その情報の識別が困難である。 既存の手法はテクスチャと構造を共同で扱うため、偏りのあるモデルをテクスチャ認識に導くことができ、結果としてセグメンテーション性能は低下する。 本稿では,構造成分とテクスチャ成分を分離し,性能を大幅に向上させるセグメンテーション戦略を提案する。
  論文  参考訳（メタデータ） (2020-07-15T12:19:03Z)
• A distance-based loss for smooth and continuous skin layer segmentation in optoacoustic images [5.505466661642644]
  表皮層のセグメンテーションは多くの下流医療・診断タスクにおいて重要なステップである。 本稿では,不連続なセグメンテーションを克服し,容積滑らかなセグメンテーション曲面を実現する,新しい形状特異的損失関数を提案する。 血管セグメンテーションネットワークへの追加情報として表皮マスクが提供される場合, 血管セグメンテーションタスクに対するDiceの20$%の改善が得られた。
  論文  参考訳（メタデータ） (2020-07-10T12:02:57Z)
• Bi-directional Dermoscopic Feature Learning and Multi-scale Consistent Decision Fusion for Skin Lesion Segmentation [28.300486641368234]
  本稿では,皮膚病変と情報的文脈との複雑な相関をモデル化する,新しい双方向皮膚機能学習(biDFL)フレームワークを提案する。 また,複数の分類層から発生する情報的決定に選択的に集中できるマルチスケール一貫した決定融合(mCDF)を提案する。
  論文  参考訳（メタデータ） (2020-02-20T12:00:24Z)

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。