論文の概要: PICS in Pics: Physics Informed Contour Selection for Rapid Image Segmentation

• arxiv url: http://arxiv.org/abs/2311.07002v1
• Date: Mon, 13 Nov 2023 01:03:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-14 15:51:23.795388
• Title: PICS in Pics: Physics Informed Contour Selection for Rapid Image Segmentation
• Title（参考訳）: PICS in Pics: 高速画像分割のための物理インフォーム付き輪郭選択
• Authors: Vikas Dwivedi, Balaji Srinivasan and Ganapathy Krishnamurthi
• Abstract要約: ラベル付きデータに頼らずに高速な画像分割のための物理インフォームド・コンター選択(PICS)を導入する。 PICSは物理インフォームドニューラルネットワーク(PINN)とスネークと呼ばれる活発な輪郭モデルからインスピレーションを得ている。 ベース関数としてディープニューラルネットワークの代わりに立方体スプラインを使用するため、高速で計算的に軽量である。 従来のエッジベースの損失関数ではなく、地域ベースの損失関数を最小化する最初のヘビ変種である。
• 参考スコア（独自算出の注目度）: 0.05251974546677281
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Effective training of deep image segmentation models is challenging due to the need for abundant, high-quality annotations. Generating annotations is laborious and time-consuming for human experts, especially in medical image segmentation. To facilitate image annotation, we introduce Physics Informed Contour Selection (PICS) - an interpretable, physics-informed algorithm for rapid image segmentation without relying on labeled data. PICS draws inspiration from physics-informed neural networks (PINNs) and an active contour model called snake. It is fast and computationally lightweight because it employs cubic splines instead of a deep neural network as a basis function. Its training parameters are physically interpretable because they directly represent control knots of the segmentation curve. Traditional snakes involve minimization of the edge-based loss functionals by deriving the Euler-Lagrange equation followed by its numerical solution. However, PICS directly minimizes the loss functional, bypassing the Euler Lagrange equations. It is the first snake variant to minimize a region-based loss function instead of traditional edge-based loss functions. PICS uniquely models the three-dimensional (3D) segmentation process with an unsteady partial differential equation (PDE), which allows accelerated segmentation via transfer learning. To demonstrate its effectiveness, we apply PICS for 3D segmentation of the left ventricle on a publicly available cardiac dataset. While doing so, we also introduce a new convexity-preserving loss term that encodes the shape information of the left ventricle to enhance PICS's segmentation quality. Overall, PICS presents several novelties in network architecture, transfer learning, and physics-inspired losses for image segmentation, thereby showing promising outcomes and potential for further refinement.
• Abstract（参考訳）: 豊富な高品質のアノテーションを必要とするため、ディープイメージセグメンテーションモデルの効果的なトレーニングは難しい。 アノテーションの生成は、特に医療画像のセグメンテーションにおいて、人間の専門家にとって手間と時間がかかります。 画像アノテーションを容易にするために,ラベル付きデータに頼ることなく高速な画像分割のための解釈可能な物理インフォームドアルゴリズムであるPhysical Informed Contour Selection (PICS)を導入する。 PICSは物理インフォームドニューラルネットワーク(PINN)とスネークと呼ばれる活発な輪郭モデルからインスピレーションを得ている。 ベース関数としてディープニューラルネットワークの代わりに立方体スプラインを使用するため、高速で計算的に軽量である。 そのトレーニングパラメータは、セグメンテーション曲線の制御結び目を直接表現するため、物理的に解釈可能である。 伝統的なヘビは、オイラー・ラグランジュ方程式を導出し、その数値解を導出することにより、エッジベースの損失関数を最小化する。 しかし、PICSは損失関数を直接最小化し、オイラー・ラグランジュ方程式をバイパスする。 従来のエッジベースの損失関数ではなく、地域ベースの損失関数を最小化する最初のヘビ変種である。 PICSは3次元(3D)セグメンテーションプロセスと非定常偏微分方程式(PDE)を一意にモデル化し、トランスファーラーニングによる加速セグメンテーションを可能にする。 本発明の有効性を示すため, PICSを左室の3次元分画に応用した。 また,左室の形状情報をエンコードしてPICSのセグメンテーション品質を向上させる凸性保存損失項も導入した。 PICSは全体として、ネットワークアーキテクチャ、トランスファーラーニング、物理にインスパイアされたイメージセグメンテーションの損失にいくつかの新しい特徴を示し、将来的な成果とさらなる改善の可能性を示している。

関連論文リスト

• PI-Att: Topology Attention for Segmentation Networks through Adaptive Persistence Image Representation [1.4680035572775534]
  我々は,新たなトポロジ認識損失関数を導入し,ネットワークに対して,地上の真実と予測マップのトポロジ的相違を最小化するよう強制する。 セグメント化ネットワーク損失の文脈において,各マップのトポロジを永続画像表現によって定量化する。 提案したPI-Att損失は, 大動脈と大血管のセグメンテーションの2つの異なるデータセットで評価された。
  論文  参考訳（メタデータ） (2024-08-15T09:06:49Z)
• GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
  アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。 これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。 我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
  論文  参考訳（メタデータ） (2022-07-18T06:01:29Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• Automatic size and pose homogenization with spatial transformer network to improve and accelerate pediatric segmentation [51.916106055115755]
  空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。 私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。 腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
  論文  参考訳（メタデータ） (2021-07-06T14:50:03Z)
• Image Restoration by Deep Projected GSURE [115.57142046076164]
  Ill-posed inverse problem は、デブロアリングや超解像など、多くの画像処理アプリケーションに現れる。 本稿では,一般化されたSteinUnbiased Risk Estimator(GSURE)の「投影変換」とCNNによる潜在画像のパラメータ化を含む損失関数の最小化に基づく,新たな画像復元フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-04T08:52:46Z)
• Learning Euler's Elastica Model for Medical Image Segmentation [28.638720771555914]
  本稿では,画像分割作業の幾何学的制約として,弾性(曲率と長さ)と領域情報を組み込んだ新しい能動輪郭を提案する。 提案した損失関数は,異なるセグメンテーションネットワーク上での他の主流損失関数よりも優れていた。
  論文  参考訳（メタデータ） (2020-11-01T15:14:37Z)
• 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)
• GarNet++: Improving Fast and Accurate Static3D Cloth Draping by Curvature Loss [89.96698250086064]
  仮想3次元体上にテンプレート布を視覚的に可視的に描画する2ストリームディープネットワークモデルを提案する。 我々のネットワークは、計算時間を桁違いに減らしながら、物理ベースシミュレーション(PBS)法を模倣することを学ぶ。 身体形状とポーズの異なる4種類の衣服の枠組みを検証した。
  論文  参考訳（メタデータ） (2020-07-20T13:40:15Z)
• 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)
• A Spatially Constrained Deep Convolutional Neural Network for Nerve Fiber Segmentation in Corneal Confocal Microscopic Images using Inaccurate Annotations [10.761046991755311]
  本研究では,スムーズかつロバストな画像分割を実現するために,空間拘束型深部畳み込みニューラルネットワーク(DCNN)を提案する。 提案手法は神経線維分節に対する角膜共焦点顕微鏡(CCM)画像に基づいて評価された。
  論文  参考訳（メタデータ） (2020-04-20T16:56:13Z)

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。