論文の概要: Topologically Faithful Multi-class Segmentation in Medical Images

• arxiv url: http://arxiv.org/abs/2403.11001v2
• Date: Wed, 09 Oct 2024 17:44:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-10 14:28:52.523557
• Title: Topologically Faithful Multi-class Segmentation in Medical Images
• Title（参考訳）: 医用画像におけるトポロジカルなマルチクラスセグメンテーション
• Authors: Alexander H. Berger, Nico Stucki, Laurin Lux, Vincent Buergin, Suprosanna Shit, Anna Banaszak, Daniel Rueckert, Ulrich Bauer, Johannes C. Paetzold,
• Abstract要約: 位相的に忠実な多クラスセグメンテーションのための一般損失関数を提案する。 我々はNクラス分割問題をNクラス分割タスクに投射する。 心筋, 細胞, 動脈静脈, およびWillisセグメンテーションの局所的正当性は, 著明に向上する。
• 参考スコア（独自算出の注目度）: 43.6770098513581
• License:
• Abstract: Topological accuracy in medical image segmentation is a highly important property for downstream applications such as network analysis and flow modeling in vessels or cell counting. Recently, significant methodological advancements have brought well-founded concepts from algebraic topology to binary segmentation. However, these approaches have been underexplored in multi-class segmentation scenarios, where topological errors are common. We propose a general loss function for topologically faithful multi-class segmentation extending the recent Betti matching concept, which is based on induced matchings of persistence barcodes. We project the N-class segmentation problem to N single-class segmentation tasks, which allows us to use 1-parameter persistent homology, making training of neural networks computationally feasible. We validate our method on a comprehensive set of four medical datasets with highly variant topological characteristics. Our loss formulation significantly enhances topological correctness in cardiac, cell, artery-vein, and Circle of Willis segmentation.
• Abstract（参考訳）: 医用画像セグメンテーションにおけるトポロジ的精度は、ネットワーク解析や血管内のフローモデリング、セルカウントといった下流アプリケーションにとって非常に重要な特性である。 近年、重要な方法論の進歩は代数的トポロジーからバイナリセグメンテーションへとしっかりと根ざした概念をもたらした。 しかし、これらのアプローチは、トポロジカルエラーが一般的であるマルチクラスセグメンテーションのシナリオにおいて過小評価されている。 本稿では,近年のベッチマッチングの概念を拡張したトポロジカルに忠実なマルチクラスセグメンテーションのための一般損失関数を提案する。 我々は,Nクラスセグメンテーション問題をNクラスセグメンテーションタスクに投射し,Nクラスセグメンテーションの1パラメータ持続ホモロジーを利用できるようにし,ニューラルネットワークのトレーニングを計算可能とした。 提案手法を,高度に変動する位相特性を持つ4つの医学データセットの包括的集合上で検証する。 心筋, 細胞, 動脈静脈, およびWillisセグメンテーションの局所的正当性は, 著明に向上する。

関連論文リスト

• Topograph: An efficient Graph-Based Framework for Strictly Topology Preserving Image Segmentation [78.54656076915565]
  位相的正しさは多くの画像分割タスクにおいて重要な役割を果たす。 ほとんどのネットワークは、Diceのようなピクセル単位の損失関数を使って、トポロジカルな精度を無視して訓練されている。 トポロジ的に正確な画像セグメンテーションのための新しいグラフベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-05T16:20:14Z)
• Universal Topology Refinement for Medical Image Segmentation with Polynomial Feature Synthesis [19.2371330932614]
  医用画像分割法は、しばしばトポロジカルな正当性を無視し、下流の多くのタスクでは利用できない。 1つの選択肢は、トポロジ駆動の損失コンポーネントを含む、そのようなモデルを再訓練することである。 本稿では,任意のドメイン固有のセグメンテーションパイプラインと互換性のあるプラグイン・アンド・プレイトポロジ・リファインメント法を提案する。
  論文  参考訳（メタデータ） (2024-09-15T17:07:58Z)
• 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)
• Topological Similarity Index and Loss Function for Blood Vessel Segmentation [0.0]
  そこで本研究では,予測されたセグメントの一貫性を基礎的真理に言及した類似度指数を提案する。 また、形態的閉鎖演算子に基づく新しい損失関数を設計し、より位相的に一貫性のあるマスクを生成するディープニューラルネットワークモデルを学習する方法を示す。
  論文  参考訳（メタデータ） (2021-07-30T10:24:47Z)
• A persistent homology-based topological loss for CNN-based multi-class segmentation of CMR [5.898114915426535]
  心臓磁気共鳴(CMR)画像のマルチクラスセグメンテーションは、既知の構造と構成を持つ解剖学的構成要素にデータの分離を求める。 最も一般的なCNNベースの手法は、解剖を特徴付ける空間的に拡張された特徴を無視した画素ワイズ損失関数を用いて最適化されている。 これらのアプローチは、全てのクラスラベルとクラスラベルペアのリッチなトポロジカル記述を構築することで、マルチクラスセグメンテーションのタスクに拡張する。
  論文  参考訳（メタデータ） (2021-07-27T09:21:38Z)
• Topology-Aware Segmentation Using Discrete Morse Theory [38.65353702366932]
  深部画像セグメンテーションネットワークを訓練し、位相精度を向上させる新しい手法を提案する。 1次元骨格や2次元パッチなど,位相的精度に重要なグローバル構造を明らかにする。 多様なデータセットに対して,DICEスコアとトポロジカルメトリクスの両方で優れた性能を示す。
  論文  参考訳（メタデータ） (2021-03-18T02:47:21Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• Towards Robust Partially Supervised Multi-Structure Medical Image Segmentation on Small-Scale Data [123.03252888189546]
  データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。 マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。 本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
  論文  参考訳（メタデータ） (2020-11-28T16:31:00Z)
• A persistent homology-based topological loss function for multi-class CNN segmentation of cardiac MRI [7.993897173085253]
  可能なラベルとラベルペアをすべて考慮し,より豊かなセグメンテーショントポロジの記述を構築する。 これらのトポロジカル事前は、ACDC短軸CMRトレーニングデータセットから150個のサンプルのサブセットで全てのトポロジカルエラーを解決することができる。
  論文  参考訳（メタデータ） (2020-08-21T17:09:13Z)
• clDice -- A Novel Topology-Preserving Loss Function for Tubular Structure Segmentation [57.20783326661043]
  中心線Dice (short clDice) と呼ばれる新しい類似度尺度を導入する。 理論的には、clDiceは2次元および3次元のセグメンテーションにおけるホモトピー同値までのトポロジー保存を保証する。 我々は、船舶、道路、ニューロン(2Dと3D)を含む5つの公開データセットでソフトクライス損失をベンチマークした。
  論文  参考訳（メタデータ） (2020-03-16T16:27:49Z)

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。