論文の概要: Enhancing Semantic Segmentation with Adaptive Focal Loss: A Novel Approach

• arxiv url: http://arxiv.org/abs/2407.09828v1
• Date: Sat, 13 Jul 2024 09:41:20 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-16 20:37:36.862790
• Title: Enhancing Semantic Segmentation with Adaptive Focal Loss: A Novel Approach
• Title（参考訳）: アダプティブ・フーカル・ロスによるセマンティック・セグメンテーションの促進 : 新しいアプローチ
• Authors: Md Rakibul Islam, Riad Hassan, Abdullah Nazib, Kien Nguyen, Clinton Fookes, Md Zahidul Islam,
• Abstract要約: そこで本研究では,クラス不均衡を緩和するための適応的なFocal Loss関数を提案する。 我々は、Picai 2022およびBraTS 2018データセット上でResNet50エンコードされたU-Netアーキテクチャを用いて、A-FLの性能を評価する。 この研究は、医療画像の臨床的に重要な領域をセグメント化するためのディープラーニングモデルを改善するA-FLの可能性を強調している。
• 参考スコア（独自算出の注目度）: 21.134077729826107
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning has achieved outstanding accuracy in medical image segmentation, particularly for objects like organs or tumors with smooth boundaries or large sizes. Whereas, it encounters significant difficulties with objects that have zigzag boundaries or are small in size, leading to a notable decrease in segmentation effectiveness. In this context, using a loss function that incorporates smoothness and volume information into a model's predictions offers a promising solution to these shortcomings. In this work, we introduce an Adaptive Focal Loss (A-FL) function designed to mitigate class imbalance by down-weighting the loss for easy examples that results in up-weighting the loss for hard examples and giving greater emphasis to challenging examples, such as small and irregularly shaped objects. The proposed A-FL involves dynamically adjusting a focusing parameter based on an object's surface smoothness, size information, and adjusting the class balancing parameter based on the ratio of targeted area to total area in an image. We evaluated the performance of the A-FL using ResNet50-encoded U-Net architecture on the Picai 2022 and BraTS 2018 datasets. On the Picai 2022 dataset, the A-FL achieved an Intersection over Union (IoU) of 0.696 and a Dice Similarity Coefficient (DSC) of 0.769, outperforming the regular Focal Loss (FL) by 5.5% and 5.4% respectively. It also surpassed the best baseline Dice-Focal by 2.0% and 1.2%. On the BraTS 2018 dataset, A-FL achieved an IoU of 0.883 and a DSC of 0.931. The comparative studies show that the proposed A-FL function surpasses conventional methods, including Dice Loss, Focal Loss, and their hybrid variants, in IoU, DSC, Sensitivity, and Specificity metrics. This work highlights A-FL's potential to improve deep learning models for segmenting clinically significant regions in medical images, leading to more precise and reliable diagnostic tools.
• Abstract（参考訳）: 深層学習は、医用画像のセグメンテーションにおいて、特にスムーズな境界や大きな大きさの臓器や腫瘍のような物体に対して顕著な精度を達成した。 一方、ジグザグ境界を持つ物体や大きさが小さい物体では重大な困難に遭遇し、セグメンテーションの有効性が顕著に低下する。 この文脈では、滑らかさとボリューム情報をモデルの予測に組み込む損失関数を用いることで、これらの欠点に対する有望な解決策が得られる。 本研究では, 難解な例の損失を減らし, 難解な例の損失を重み付けし, 小さい例や不規則な形をした例などの課題に重きを置くことで, クラス不均衡を緩和するアダプティブ・フォカル・ロス(A-FL)関数を提案する。 提案したA-FLは、物体の表面の滑らかさ、大きさ情報に基づいて焦点パラメータを動的に調整し、画像中の全領域に対する対象領域の比率に基づいてクラスバランスパラメータを調整する。 我々は、Picai 2022およびBraTS 2018データセット上でResNet50エンコードされたU-Netアーキテクチャを用いて、A-FLの性能を評価した。 ピチャイ2022のデータセットでは、A-FLは0.696のユニオン(IoU)と0.769のDice similarity Coefficient(DSC)を達成し、通常のFocal Loss(FL)の5.5%と5.4%を上回った。 また、Dice-Focalを2.0%、Dice-Focalを1.2%上回った。 BraTS 2018データセットでは、A-FLは0.883のIoUと0.931のDSCを達成した。 比較研究により、提案されたA-FL関数は、IoU、DSC、感度、特異性の測定値において、Dice Loss、Focal Loss、およびそれらのハイブリッドな変種を含む従来の手法を超えることが示された。 この研究は、医療画像の臨床的に重要な領域をセグメント化するためのディープラーニングモデルを改善するA-FLの可能性を強調し、より正確で信頼性の高い診断ツールを生み出した。

関連論文リスト

• FedGS: Federated Gradient Scaling for Heterogeneous Medical Image Segmentation [0.4499833362998489]
  そこで本研究では,FedGSという新しいFLアグリゲーション手法を提案する。 FedGSは、特に小さな病変に対して、PolypGenとLiTSデータセット間で、FedAvgよりも優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-08-21T15:26:21Z)
• Class Anchor Margin Loss for Content-Based Image Retrieval [97.81742911657497]
  距離学習パラダイムに該当する新しいレペラ・トラクタ損失を提案するが、ペアを生成する必要がなく、直接L2メトリックに最適化する。 CBIRタスクにおいて,畳み込みアーキテクチャと変圧器アーキテクチャの両方を用いて,少数ショットおよびフルセットトレーニングの文脈で提案した目的を評価する。
  論文  参考訳（メタデータ） (2023-06-01T12:53:10Z)
• An Adaptive Plug-and-Play Network for Few-Shot Learning [12.023266104119289]
  少数のサンプルから学んだ後、新しいサンプルを分類するモデルが必要である。 ディープネットワークと複雑なメトリクスはオーバーフィッティングを引き起こす傾向があり、パフォーマンスをさらに改善することは困難である。 プラグアンドプレイ型モデル適応型リサイザ (MAR) とアダプティブ類似度測定器 (ASM) をその他の損失なく提案する。
  論文  参考訳（メタデータ） (2023-02-18T13:25:04Z)
• Robust Split Federated Learning for U-shaped Medical Image Networks [16.046153872932653]
  U字型医療画像ネットワークのためのRoS-FL(Roust Split Federated Learning)を提案する。 RoS-FLは、フェデレートラーニング(FL)とスプリットラーニング(SL)のハイブリッドラーニングパラダイムである
  論文  参考訳（メタデータ） (2022-12-13T05:26:31Z)
• Impact of loss function in Deep Learning methods for accurate retinal vessel segmentation [1.1470070927586016]
  我々は、深層学習アーキテクチャ(U-Net、Attention U-Net、Nested U-Net)とDRIVEデータセットを用いて、Binary Cross Entropy、Dice、Tversky、Comboの損失を比較した。 その結果,損失関数の選択には有意な差が認められた。
  論文  参考訳（メタデータ） (2022-06-01T14:47:18Z)
• Multi-Scale Context-Guided Lumbar Spine Disease Identification with Coarse-to-fine Localization and Classification [22.62393344071125]
  この研究は、腰椎疾患の同定のための、粗大な局所化と分類を含むマルチスケールのコンテキスト誘導ネットワークCCF-Netを導入する。 実験結果から, 粗大な設計により, パラメータやデータ要求が少なく, 高い性能が得られる可能性が示唆された。
  論文  参考訳（メタデータ） (2022-03-16T05:51:16Z)
• Orthogonal Projection Loss [59.61277381836491]
  直交射影損失(OPL)と呼ばれる新しい損失関数を開発する。 OPLは、機能空間におけるクラス内クラスタリングとクラス間分離を直接実施する。 OPLは、慎重な負のマイニングを必要とせず、バッチサイズに敏感であるため、ユニークな利点がある。
  論文  参考訳（メタデータ） (2021-03-25T17:58:00Z)
• DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
  本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。 我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。 皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
  論文  参考訳（メタデータ） (2020-08-19T06:02:46Z)
• Deep F-measure Maximization for End-to-End Speech Understanding [52.36496114728355]
  本稿では,F測度に対する微分可能な近似法を提案し,標準バックプロパゲーションを用いてネットワークをトレーニングする。 我々は、アダルト、コミュニティ、犯罪の2つの標準フェアネスデータセットの実験を行い、ATISデータセットの音声・インテリジェンス検出と音声・COCOデータセットの音声・イメージ概念分類を行った。 これらの4つのタスクのすべてにおいて、F測定は、クロスエントロピー損失関数で訓練されたモデルと比較して、最大8%の絶対的な絶対的な改善を含む、マイクロF1スコアの改善をもたらす。
  論文  参考訳（メタデータ） (2020-08-08T03:02:27Z)
• Enhancing Geometric Factors in Model Learning and Inference for Object Detection and Instance Segmentation [91.12575065731883]
  境界ボックス回帰および非最大抑圧(NMS)における幾何学的要素の強化を目的とした完全IoU損失とクラスタNMSを提案する。 CIoU損失を用いたディープラーニングモデルのトレーニングは、広く採用されている$ell_n$-norm損失とIoUベースの損失と比較して、一貫性のあるAPとARの改善をもたらす。 クラスタ-NMSは、純粋なGPU実装のため非常に効率的であり、APとARの両方を改善するために幾何学的要素を組み込むことができる。
  論文  参考訳（メタデータ） (2020-05-07T16:00:27Z)
• Calibrating Deep Neural Networks using Focal Loss [77.92765139898906]
  ミススキャリブレーション(Miscalibration)は、モデルの信頼性と正しさのミスマッチである。 焦点損失は、既に十分に校正されたモデルを学ぶことができることを示す。 ほぼすべてのケースにおいて精度を損なうことなく,最先端のキャリブレーションを達成できることを示す。
  論文  参考訳（メタデータ） (2020-02-21T17:35:50Z)

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。