論文の概要: Intensity Confusion Matters: An Intensity-Distance Guided Loss for Bronchus Segmentation

• arxiv url: http://arxiv.org/abs/2406.16150v1
• Date: Sun, 23 Jun 2024 16:09:21 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-25 18:44:41.980820
• Title: Intensity Confusion Matters: An Intensity-Distance Guided Loss for Bronchus Segmentation
• Title（参考訳）: 強度拡散 : ブロンコス分別における強度距離誘導損失
• Authors: Haifan Gong, Wenhao Huang, Huan Zhang, Yu Wang, Xiang Wan, Hong Shen, Guanbin Li, Haofeng Li,
• Abstract要約: 特定の背景ボクセルの強度値が、気管支内の前景ボクセルに接近する。 Intensity-Distance Guided Losd関数を導入し、異なる画像ボクセルに適応重みを割り当て、強度混乱を引き起こすハードサンプルをマイニングする。
• 参考スコア（独自算出の注目度）: 68.50007997260464
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic segmentation of the bronchial tree from CT imaging is important, as it provides structural information for disease diagnosis. Despite the merits of previous automatic bronchus segmentation methods, they have paied less attention to the issue we term as \textit{Intensity Confusion}, wherein the intensity values of certain background voxels approach those of the foreground voxels within bronchi. Conversely, the intensity values of some foreground voxels are nearly identical to those of background voxels. This proximity in intensity values introduces significant challenges to neural network methodologies. To address the issue, we introduce a novel Intensity-Distance Guided loss function, which assigns adaptive weights to different image voxels for mining hard samples that cause the intensity confusion. The proposed loss estimates the voxel-level hardness of samples, on the basis of the following intensity and distance priors. We regard a voxel as a hard sample if it is in: (1) the background and has an intensity value close to the bronchus region; (2) the bronchus region and is of higher intensity than most voxels inside the bronchus; (3) the background region and at a short distance from the bronchus. Extensive experiments not only show the superiority of our method compared with the state-of-the-art methods, but also verify that tackling the intensity confusion issue helps to significantly improve bronchus segmentation. Project page: https://github.com/lhaof/ICM.
• Abstract（参考訳）: 疾患診断のための構造情報を提供するため,CT画像からの気管支の自動分画が重要である。 従来の自動気管支分画法の利点にもかかわらず、彼らは我々が「textit{Intensity Confusion}」と呼ぶ問題への注意を減らし、特定の背景ボクセルの強度値がブロンチ内の前景ボクセルの強度に近づいた。 逆に、いくつかの前景のボクセルの強度値は、背景のボクセルの強度とほぼ同一である。 この強度値の近接は、ニューラルネットワークの方法論に重大な課題をもたらす。 この問題に対処するために, 異なる画像ボクセルに適応重みを割り当て, 強度混乱を引き起こすハードサンプルをマイニングする新しいインテンシティ・ディスタンス誘導損失関数を提案する。 提案した損失は, 以下の強度と距離の先行値に基づいて, 試料のボクセルレベル硬さを推定する。 1) 気管支領域に近接する強度値, (2) 気管支領域に近く, 気管支内のほとんどのボクセルよりも高い強度, (3) 背景領域, 気管支から短い距離がある場合, ブロクセルを硬い試料とみなす。 また,本手法が最先端の手法よりも優れていることを示すとともに,強度混乱問題への対処が気管支分節の改善に有効であることを検証した。 プロジェクトページ:https://github.com/lhaof/ICM。

関連論文リスト

• Improved Decoy-state and Flag-state Squashing Methods [0.0]
  我々はデコイ状態法の改良した解析法を提案する。 我々の主な焦点は、現在のデコイ状態法で観察される欠点を改善することである。 我々は、信号状態に応じて強度が変化するシナリオを包含するようにデコイ状態技術を拡張した。
  論文  参考訳（メタデータ） (2024-05-08T14:09:59Z)
• An Efficient and Robust Method for Chest X-Ray Rib Suppression that Improves Pulmonary Abnormality Diagnosis [0.49998148477760956]
  胸部X線(CXR)に対する胸部骨陰影の抑制は肺疾患の診断を改善することが示唆された。 従来のアプローチは、教師なしの物理的および教師なしのディープラーニングモデルに分類される。 本研究では,(1)空間変換勾配場における物理モデルによる最小化によりGT骨影を除去した2段階のトレーニングペアの生成について,一般化可能かつ効率的なワークフローを提案する。 2) 受信したCXRの高速リブ除去のために,ステージ1データセット上でのネットワークトレーニングをフル教師する。
  論文  参考訳（メタデータ） (2023-02-19T23:47:02Z)
• Fuzzy Attention Neural Network to Tackle Discontinuity in Airway Segmentation [67.19443246236048]
  気道セグメンテーションは肺疾患の検査、診断、予後に重要である。 いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。 本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T16:38:13Z)
• Weakly Supervised Airway Orifice Segmentation in Video Bronchoscopy [0.0]
  本論文は気管支鏡視下気管支鏡視下における気管支拡張術の自動化について述べる。 このタスクに対するディープラーニングベースのアプローチは、現在、容易に利用できる真実のセグメンテーションデータが欠如しているため、妨げられている。 我々はk平均からなるデータ駆動パイプラインと、コンパクトなマーカーベースの流域アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-08-24T12:18:25Z)
• BronchusNet: Region and Structure Prior Embedded Representation Learning for Bronchus Segmentation and Classification [53.53758990624962]
  そこで我々は,BronchusNetという組込みフレームワークに先立って,正確な気管支分析を行うための領域と構造を提案する。 気管支分画のための適応型ハード領域対応UNetを提案する。 気管支枝の分類には,ハイブリッドな点-ボクセルグラフ学習モジュールを提案する。
  論文  参考訳（メタデータ） (2022-05-14T02:32:33Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• Generalizing Face Forgery Detection with High-frequency Features [63.33397573649408]
  現在のCNNベースの検出器は、メソッド固有の色テクスチャに過度に適合するため、一般化に失敗する傾向にある。 フェースフォージェリ検出に高周波雑音を用いることを提案する。 1つは、複数のスケールで高周波ノイズを抽出するマルチスケールの高周波特徴抽出モジュールである。 2つ目は、低レベルRGB特徴抽出器を導く残差誘導空間注意モジュールで、新しい視点からフォージェリートレースにもっと集中する。
  論文  参考訳（メタデータ） (2021-03-23T08:19:21Z)
• Contralaterally Enhanced Networks for Thoracic Disease Detection [120.60868136876599]
  胸骨、肺野、気管支管など、胸部左右に類似した構造が多数存在する。 このような類似性は、広義の放射線学者の経験から、胸部X線における疾患の同定に利用することができる。 本稿では,病状提案の特徴表現を強化するために,対向的コンテキスト情報を活用するディープ・エンド・ツー・エンド・モジュールを提案する。
  論文  参考訳（メタデータ） (2020-10-09T10:15:26Z)
• Robust Deep Learning Framework For Predicting Respiratory Anomalies and Diseases [26.786743524562322]
  本稿では,呼吸音の記録から呼吸器疾患を検出するための,堅牢な深層学習フレームワークを提案する。 バックエンドのディープラーニングモデルは、特徴を呼吸器疾患または異常のクラスに分類する。 ICBHIベンチマークを用いて実験を行い, 音の分類能力を評価する。
  論文  参考訳（メタデータ） (2020-01-21T15:26:52Z)

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。