論文の概要: Enhancing Boundary Segmentation for Topological Accuracy with Skeleton-based Methods

• arxiv url: http://arxiv.org/abs/2404.18539v2
• Date: Tue, 7 May 2024 13:55:57 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-08 18:43:55.002750
• Title: Enhancing Boundary Segmentation for Topological Accuracy with Skeleton-based Methods
• Title（参考訳）: 骨格法に基づくトポロジカル精度のための境界セグメンテーションの強化
• Authors: Chuni Liu, Boyuan Ma, Xiaojuan Ban, Yujie Xie, Hao Wang, Weihua Xue, Jingchao Ma, Ke Xu,
• Abstract要約: 位相整合性は、直交画像の境界セグメンテーションの課題において重要な役割を果たす。 本稿では,各物体の形状と画素の位相的意義を考慮に入れた新たな損失関数であるSkea-Topo Aware Losを提案する。 実験により, この手法は, 13 の最先端手法と比較して, VI において最大 7 点まで位相整合性を向上させることが証明された。
• 参考スコア（独自算出の注目度）: 7.646983689651424
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Topological consistency plays a crucial role in the task of boundary segmentation for reticular images, such as cell membrane segmentation in neuron electron microscopic images, grain boundary segmentation in material microscopic images and road segmentation in aerial images. In these fields, topological changes in segmentation results have a serious impact on the downstream tasks, which can even exceed the misalignment of the boundary itself. To enhance the topology accuracy in segmentation results, we propose the Skea-Topo Aware loss, which is a novel loss function that takes into account the shape of each object and topological significance of the pixels. It consists of two components. First, a skeleton-aware weighted loss improves the segmentation accuracy by better modeling the object geometry with skeletons. Second, a boundary rectified term effectively identifies and emphasizes topological critical pixels in the prediction errors using both foreground and background skeletons in the ground truth and predictions. Experiments prove that our method improves topological consistency by up to 7 points in VI compared to 13 state-of-art methods, based on objective and subjective assessments across three different boundary segmentation datasets. The code is available at https://github.com/clovermini/Skea_topo.
• Abstract（参考訳）: トポロジカル一貫性は、ニューロンの電子顕微鏡像における細胞膜セグメンテーション、物質顕微鏡像における粒界セグメンテーション、空中画像における道路セグメンテーションといった、網膜画像の境界セグメンテーションのタスクにおいて重要な役割を果たす。 これらの分野では、セグメンテーション結果のトポロジカルな変化が下流のタスクに深刻な影響を与え、境界自体のミスアライメントを超えることさえある。 セグメンテーション結果の位相精度を高めるために,各物体の形状と画素の位相的意義を考慮に入れた新たな損失関数であるSkea-Topo Aware Losを提案する。 2つの構成要素から構成される。 第一に、スケルトンを意識した重み付き損失は、物体形状をスケルトンでより良くモデル化することにより、セグメント化の精度を向上させる。 第二に、境界補正項は、地上の真実と予測において、前景と背景の骨格の両方を用いて予測誤差の位相的臨界画素を効果的に識別し、強調する。 実験により,3つの境界セグメンテーションデータセットの客観的および主観的評価に基づいて,Ve における位相的一貫性を最大 7 ポイント向上することを示す。 コードはhttps://github.com/clovermini/Skea_topo.comで公開されている。

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)
• BuyTheDips: PathLoss for improved topology-preserving deep learning-based image segmentation [1.8899300124593648]
  本稿では,新しいリーク損失であるPathlossに依存する新しいディープイメージセグメンテーション手法を提案する。 本手法は,異なる性質の2つの代表的なデータセットに対して,最先端のトポロジ認識手法より優れる。
  論文  参考訳（メタデータ） (2022-07-23T07:19:30Z)
• PNM: Pixel Null Model for General Image Segmentation [17.971090313814447]
  ランダムセグメンタによって正しく分類される確率に応じて各ピクセルを重み付けする先行モデルを提案する。 3つのデータセットに対するセグメンテーションのセグメンテーション・タスクの実験により、PNMはセグメンテーションの品質を一貫して改善することを確認した。 本稿では,境界のシャープさを認識できる新しい測度であるtextitPNM IoUを提案する。
  論文  参考訳（メタデータ） (2022-03-13T15:17:41Z)
• Topology-Preserving Segmentation Network: A Deep Learning Segmentation Framework for Connected Component [7.95119530218428]
  医用画像では、腎臓や肺などの構造のトポロジーが通常知られている。 イットトポロジ保存セグメンテーションネットワーク(TPSN)をトレーニングし、正確なセグメンテーション結果を与える。 TPSNは、UNetを通して変形マップを生成する変形ベースのモデルである。 本稿では,画像のマルチレベル情報を組み込んだマルチスケールTPSNを開発し,より正確なセグメンテーション結果を生成する。
  論文  参考訳（メタデータ） (2022-02-27T09:56:33Z)
• Image Segmentation with Homotopy Warping [10.093435601073484]
  位相的正しさは、微細な構造を持つ画像のセグメンテーションに不可欠である。 ディジタルトポロジの理論を活用することで、トポロジにとって重要な画像中の位置を特定する。 本稿では,位相的精度を向上させるために,深部画像分割ネットワークをトレーニングするための新たなホモトピーワーピング損失を提案する。
  論文  参考訳（メタデータ） (2021-12-15T00:33:15Z)
• 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)
• Residual Moment Loss for Medical Image Segmentation [56.72261489147506]
  位置情報は,対象物体の多様体構造を捉えた深層学習モデルに有効であることが証明された。 既存のほとんどの手法は、ネットワークが学習するために、位置情報を暗黙的にエンコードする。 セグメント化対象の位置情報を明示的に埋め込むために,新しい損失関数,すなわち残差モーメント(RM)損失を提案する。
  論文  参考訳（メタデータ） (2021-06-27T09:31:49Z)
• PointFlow: Flowing Semantics Through Points for Aerial Image Segmentation [96.76882806139251]
  本論文では,FPN(Feature Pyramid Network)フレームワークに基づく点親和性伝播モジュールであるPointFlowを提案する。 密接な親和性学習ではなく、隣接する特徴間の選択された点にスパース親和性マップを生成する。 3つの異なる空中セグメンテーションデータセットの実験結果から,提案手法は最先端の汎用セグメンテーション法よりも効率的かつ効率的であることが示唆された。
  論文  参考訳（メタデータ） (2021-03-11T09:42:32Z)
• Self-supervised Geometric Perception [96.89966337518854]
  自己教師付き幾何知覚(self-supervised geometric perception)は、基底幾何モデルラベルなしで対応マッチングのための特徴記述子を学ぶためのフレームワークである。 また,SGPは,地上トラスラベルを用いて訓練した教師付きオークルよりも同等か優れる最先端性能を達成できることを示す。
  論文  参考訳（メタデータ） (2021-03-04T15:34:43Z)

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。