論文の概要: PHG-Net: Persistent Homology Guided Medical Image Classification

• arxiv url: http://arxiv.org/abs/2311.17243v1
• Date: Tue, 28 Nov 2023 21:34:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-30 23:15:19.916006
• Title: PHG-Net: Persistent Homology Guided Medical Image Classification
• Title（参考訳）: phg-net: 持続的ホモロジー誘導医用画像分類
• Authors: Yaopeng Peng, Hongxiao Wang, Milan Sonka and Danny Z. Chen
• Abstract要約: 医用画像分類のためのトポロジ的特徴を探索する永続的ホモロジーガイド手法(PHG-Net)を提案する。 入力画像に対して、まずその3次永続図を計算し、トポロジ的特徴をベクトル表現に抽出する。 抽出したトポロジ的特徴は、特徴融合のためにCNNやTransformerによって生成された特徴マップに組み込まれる。
• 参考スコア（独自算出の注目度）: 14.450329809640422
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern deep neural networks have achieved great successes in medical image analysis. However, the features captured by convolutional neural networks (CNNs) or Transformers tend to be optimized for pixel intensities and neglect key anatomical structures such as connected components and loops. In this paper, we propose a persistent homology guided approach (PHG-Net) that explores topological features of objects for medical image classification. For an input image, we first compute its cubical persistence diagram and extract topological features into a vector representation using a small neural network (called the PH module). The extracted topological features are then incorporated into the feature map generated by CNN or Transformer for feature fusion. The PH module is lightweight and capable of integrating topological features into any CNN or Transformer architectures in an end-to-end fashion. We evaluate our PHG-Net on three public datasets and demonstrate its considerable improvements on the target classification tasks over state-of-the-art methods.
• Abstract（参考訳）: 現代のディープニューラルネットワークは、医用画像分析で大きな成功を収めている。 しかし、畳み込みニューラルネットワーク(cnns)やトランスフォーマーによってキャプチャされる機能は、ピクセルの強度や連結コンポーネントやループのようなキー解剖学的構造を無視するために最適化される傾向がある。 本稿では,医用画像分類対象のトポロジ的特徴を探索する永続的ホモロジーガイド手法(PHG-Net)を提案する。 入力画像の場合、まずその3次永続図を計算し、小さなニューラルネットワーク(PHモジュールと呼ばれる)を用いてトポロジ的特徴をベクトル表現に抽出する。 抽出したトポロジ的特徴は、特徴融合のためにCNNやTransformerによって生成された特徴マップに組み込まれる。 PHモジュールは軽量で、どのCNNやTransformerアーキテクチャにもエンドツーエンドでトポロジ的な機能を組み込むことができる。 PHG-Netを3つの公開データセット上で評価し、最先端手法よりもターゲット分類タスクをかなり改善したことを示す。

関連論文リスト

• Image Classification using Combination of Topological Features and Neural Networks [1.0323063834827417]
  我々は、データ空間から重要なトポロジ的特徴を抽出するために、永続的ホモロジー法、すなわち、トポロジ的データ解析(TDA)の技法を用いる。 これは、MNISTデータセット内の複数のクラスから画像を分類することを目的として行われた。 提案手法は,1ストリームと2ストリームのニューラルネットワークによって構成されるディープラーニングアプローチにトポロジ的特徴を挿入する。
  論文  参考訳（メタデータ） (2023-11-10T20:05:40Z)
• Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
  本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。 本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。 実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T02:27:02Z)
• Unleashing the Power of Depth and Pose Estimation Neural Networks by Designing Compatible Endoscopic Images [12.412060445862842]
  内視鏡画像の特性を詳細に解析し、画像とニューラルネットワークの互換性を改善する。 まず,完全な画像情報の代わりに部分的な画像情報を入力するMask Image Modelling (MIM) モジュールを導入する。 第2に、画像とニューラルネットワークの互換性を明確に向上させるために、内視鏡画像を強化する軽量ニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2023-09-14T02:19:38Z)
• NexToU: Efficient Topology-Aware U-Net for Medical Image Segmentation [3.8336080345323227]
  CNNとTransformerの派生型は、主要な医療画像セグメンテーションバックボーンとして登場した。 医用画像分割のための新しいハイブリッドアーキテクチャであるNexToUを提案する。 我々の手法は、他の最先端(SOTA)アーキテクチャよりも一貫して優れています。
  論文  参考訳（メタデータ） (2023-05-25T10:18:57Z)
• Learnable Filters for Geometric Scattering Modules [64.03877398967282]
  最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。 我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
  論文  参考訳（メタデータ） (2022-08-15T22:30:07Z)
• How GNNs Facilitate CNNs in Mining Geometric Information from Large-Scale Medical Images [2.2699159408903484]
  畳み込みニューラルネットワーク(CNN)が捉えたグローバルな画像レベルの表現を強化するための融合フレームワークを提案する。 大腸癌と胃癌の大規模なコホートから得られた組織学的データセットの融合戦略について検討した。
  論文  参考訳（メタデータ） (2022-06-15T15:27:48Z)
• 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)
• PHTrans: Parallelly Aggregating Global and Local Representations for Medical Image Segmentation [7.140322699310487]
  我々はPHTransと呼ばれる医用画像分割のための新しいハイブリッドアーキテクチャを提案する。 PHTransはTransformerとCNNを並列にハイブリッド化し、グローバルな特徴とローカルな特徴から階層的な表現を生成する。
  論文  参考訳（メタデータ） (2022-03-09T08:06:56Z)
• Topological obstructions in neural networks learning [67.8848058842671]
  損失勾配関数フローのグローバル特性について検討する。 損失関数とそのモースコンプレックスの位相データ解析を用いて,損失面の大域的特性と勾配軌道に沿った局所的挙動を関連付ける。
  論文  参考訳（メタデータ） (2020-12-31T18:53:25Z)
• Spatio-Temporal Inception Graph Convolutional Networks for Skeleton-Based Action Recognition [126.51241919472356]
  我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。 ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
  論文  参考訳（メタデータ） (2020-11-26T14:43:04Z)
• Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
  最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。 我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
  論文  参考訳（メタデータ） (2020-10-06T01:20:27Z)

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。