論文の概要: DFGET: Displacement-Field Assisted Graph Energy Transmitter for Gland Instance Segmentation

• arxiv url: http://arxiv.org/abs/2312.07584v1
• Date: Mon, 11 Dec 2023 01:42:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-14 18:12:57.637819
• Title: DFGET: Displacement-Field Assisted Graph Energy Transmitter for Gland Instance Segmentation
• Title（参考訳）: DFGET: Gland Instance Segmentationのための変位場支援グラフエネルギー送信装置
• Authors: Caiqing Jian, Yongbin Qin, and Lihui Wang
• Abstract要約: これらの問題を解決するために、変位場支援グラフエネルギー送信機(DFGET)フレームワークを提案する。 具体的には、異方性拡散に基づく新しいメッセージパッシング手法を開発し、ノードの特徴を更新する。 DFの制約により、拡散理論に基づくグラフクラスタモジュールがクラス内の特徴整合性を改善するために提示される。
• 参考スコア（独自算出の注目度）: 1.907126872483548
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Gland instance segmentation is an essential but challenging task in the diagnosis and treatment of adenocarcinoma. The existing models usually achieve gland instance segmentation through multi-task learning and boundary loss constraint. However, how to deal with the problems of gland adhesion and inaccurate boundary in segmenting the complex samples remains a challenge. In this work, we propose a displacement-field assisted graph energy transmitter (DFGET) framework to solve these problems. Specifically, a novel message passing manner based on anisotropic diffusion is developed to update the node features, which can distinguish the isomorphic graphs and improve the expressivity of graph nodes for complex samples. Using such graph framework, the gland semantic segmentation map and the displacement field (DF) of the graph nodes are estimated with two graph network branches. With the constraint of DF, a graph cluster module based on diffusion theory is presented to improve the intra-class feature consistency and inter-class feature discrepancy, as well as to separate the adherent glands from the semantic segmentation maps. Extensive comparison and ablation experiments on the GlaS dataset demonstrate the superiority of DFGET and effectiveness of the proposed anisotropic message passing manner and clustering method. Compared to the best comparative model, DFGET increases the object-Dice and object-F1 score by 2.5% and 3.4% respectively, while decreases the object-HD by 32.4%, achieving state-of-the-art performance.
• Abstract（参考訳）: 腺癌の診断と治療には, Gland instance segmentation が必須だが難しい課題である。 既存のモデルは通常、マルチタスク学習と境界損失制約を通じて腺インスタンスセグメンテーションを達成する。 しかし, 複雑な試料の分節化における腺接着と不正確な境界の問題点をどう扱うかは依然として課題である。 本研究では,これらの問題を解決するために,変位場支援グラフエネルギー送信(dfget)フレームワークを提案する。 具体的には,異方性拡散に基づく新しいメッセージパッシング手法を開発し,異方性グラフを識別し,複雑なサンプルに対するグラフノードの表現性を向上させる。 このようなグラフフレームワークを用いて、2つのグラフネットワーク分岐を用いて、腺意味セグメンテーションマップとグラフノードの変位場(df)を推定する。 DFの制約により,拡散理論に基づくグラフクラスタモジュールが提示され,クラス内特徴の整合性とクラス間特徴の相違が向上し,セマンティックセグメンテーションマップから付着腺を分離する。 GlaSデータセットの大規模比較とアブレーション実験により,DFGETの優位性と異方性メッセージパッシング手法の有効性が示された。 最高の比較モデルと比較すると、DFGETはオブジェクトダイスとオブジェクトF1スコアをそれぞれ2.5%、オブジェクトF1スコアは3.4%増加し、オブジェクトHDは32.4%減少し、最先端のパフォーマンスを達成する。

関連論文リスト

• CGGM: A conditional graph generation model with adaptive sparsity for node anomaly detection in IoT networks [0.6974178500813132]
  本稿では,マイノリティクラスに属するサンプルを生成するために,CGGMと呼ばれる新しいグラフ生成モデルを提案する。 フレームワークは、条件付きグラフ生成モジュールとグラフベースの異常検出モジュールの2つのコアモジュールから構成される。 実験により、CGGMは精度とばらつきの点で最先端の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-02-27T09:55:34Z)
• BOURNE: Bootstrapped Self-supervised Learning Framework for Unified Graph Anomaly Detection [50.26074811655596]
  自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。 ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。 BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
  論文  参考訳（メタデータ） (2023-07-28T00:44:57Z)
• Multiscale Dynamic Graph Representation for Biometric Recognition with Occlusions [43.05765549682057]
  咬合は、野生における生体認証の一般的な問題である。 本稿では,CNNとグラフモデルの両方の利点を統合した新しい統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-27T04:18:08Z)
• Addressing Heterophily in Node Classification with Graph Echo State Networks [11.52174067809364]
  ノード分類のためのグラフエコー状態ネットワーク(GESN)を用いた異種グラフの課題に対処する。 GESNはグラフのための貯水池計算モデルであり、ノードの埋め込みは訓練されていないメッセージパッシング関数によって計算される。 実験の結果, 貯水池モデルでは, ほぼ完全に訓練された深層モデルに対して, より優れた精度あるいは同等の精度が得られることがわかった。
  論文  参考訳（メタデータ） (2023-05-14T19:42:31Z)
• Resisting Graph Adversarial Attack via Cooperative Homophilous Augmentation [60.50994154879244]
  最近の研究では、グラフニューラルネットワークは弱く、小さな摂動によって簡単に騙されることが示されている。 本研究では,グラフインジェクションアタック(Graph Injection Attack)という,新興だが重要な攻撃に焦点を当てる。 本稿では,グラフデータとモデルの協調的同好性増強によるGIAに対する汎用防衛フレームワークCHAGNNを提案する。
  論文  参考訳（メタデータ） (2022-11-15T11:44:31Z)
• DiGress: Discrete Denoising diffusion for graph generation [79.13904438217592]
  DiGressは、分類ノードとエッジ属性を持つグラフを生成するための離散化拡散モデルである。 分子と非分子のデータセットで最先端のパフォーマンスを実現し、最大3倍の妥当性が向上する。 また、1.3Mの薬物様分子を含む大規模なGuacaMolデータセットにスケールする最初のモデルでもある。
  論文  参考訳（メタデータ） (2022-09-29T12:55:03Z)
• Interpolation-based Correlation Reduction Network for Semi-Supervised Graph Learning [49.94816548023729]
  補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。 この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• TA-Net: Topology-Aware Network for Gland Segmentation [71.52681611057271]
  本研究では, 密集した腺と高度に変形した腺を正確に分離する新しいトポロジ・アウェア・ネットワーク(TA-Net)を提案する。 TA-Netはマルチタスク学習アーキテクチャを持ち、腺セグメンテーションの一般化を強化する。 2つのデータセットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2021-10-27T17:10:58Z)
• PSGR: Pixel-wise Sparse Graph Reasoning for COVID-19 Pneumonia Segmentation in CT Images [83.26057031236965]
  画像中の新型コロナウイルス感染領域セグメンテーションの長距離依存性のモデリングを強化するために,PSGRモジュールを提案する。 PSGRモジュールは不正確なピクセルからノードへの投影を回避し、グローバルな推論のために各ピクセル固有の情報を保存する。 このソリューションは、3つの公開データセット上の4つの広く使われているセグメンテーションモデルに対して評価されている。
  論文  参考訳（メタデータ） (2021-08-09T04:58:23Z)
• Unsupervised Deep Manifold Attributed Graph Embedding [33.1202078188891]
  Deep Manifold Attributed Graph Embedding (DMAGE) という新しいグラフ埋め込みフレームワークを提案する。 データ空間と潜在空間の間のノード間類似性を計算するために,ノード間測地線類似性を提案する。 次に、オーバースムージング問題を軽減するため、集約の少ない新しいネットワーク構造を設計します。
  論文  参考訳（メタデータ） (2021-04-27T08:47:39Z)

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。