論文の概要: Integrating Edge Information into Ground Truth for the Segmentation of the Optic Disc and Cup from Fundus Images

• arxiv url: http://arxiv.org/abs/2408.05052v1
• Date: Fri, 9 Aug 2024 13:18:50 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-12 15:47:15.124289
• Title: Integrating Edge Information into Ground Truth for the Segmentation of the Optic Disc and Cup from Fundus Images
• Title（参考訳）: 眼底画像からの視標とカップの分割のための接地真実へのエッジ情報の統合
• Authors: Yoga Sri Varshan V, Hitesh Gupta Kattamuri, Subin Sahayam, Umarani Jayaraman,
• Abstract要約: この研究は、ラプラシアンフィルタを用いて光学ディスクとカップの両端を基底真理から抽出することを目的としている。 エッジは、光学ディスクカップ接地真実に加えて、エッジ接地真実を得るように再構成される。 著者らは、REFUGEベンチマークデータセットとDrishti-GSデータセットを使用して研究を行っている。
• 参考スコア（独自算出の注目度）: 0.8437187555622164
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Optic disc and cup segmentation helps in the diagnosis of glaucoma, myocardial infarction, and diabetic retinopathy. Most deep learning methods developed to perform segmentation tasks are built on top of a U-Net-based model architecture. Nevertheless, U-Net and its variants have a tendency to over-segment/ under-segment the required regions of interest. Since the most important outcome is the value of cup-to-disc ratio and not the segmented regions themselves, we are more concerned about the boundaries rather than the regions under the boundaries. This makes learning edges important as compared to learning the regions. In the proposed work, the authors aim to extract both edges of the optic disc and cup from the ground truth using a Laplacian filter. Next, edges are reconstructed to obtain an edge ground truth in addition to the optic disc-cup ground truth. Utilizing both ground truths, the authors study several U-Net and its variant architectures with and without optic disc and cup edges as target, along with the optic disc-cup ground truth for segmentation. The authors have used the REFUGE benchmark dataset and the Drishti-GS dataset to perform the study, and the results are tabulated for the dice and the Hausdorff distance metrics. In the case of the REFUGE dataset, the optic disc mean dice score has improved from 0.7425 to 0.8859 while the mean Hausdorff distance has reduced from 6.5810 to 3.0540 for the baseline U-Net model. Similarly, the optic cup mean dice score has improved from 0.6970 to 0.8639 while the mean Hausdorff distance has reduced from 5.2340 to 2.6323 for the same model. Similar improvement has been observed for the Drishti-GS dataset as well. Compared to the baseline U-Net and its variants (i.e) the Attention U-Net and the U-Net++, the models that learn integrated edges along with the optic disc and cup regions performed well in both validation and testing datasets.
• Abstract（参考訳）: 視神経円板とカップセグメンテーションは緑内障、心筋梗塞、糖尿病網膜症の診断に有用である。 セグメンテーションタスクを実行するために開発された多くのディープラーニング手法は、U-Netベースのモデルアーキテクチャ上に構築されている。 それでも、U-Netとその変種は、必要な関心領域を過剰に分離/アンダーセグメントする傾向にある。 最も重要な結果がカップ・ツー・ディスク比の値であり、セグメント化された領域自体ではないため、我々は境界の下の領域よりも境界についてより懸念している。 これにより、学習領域に比べて学習エッジが重要になります。 本研究は,光学ディスクとカップの両端をラプラシアンフィルタを用いて基底真実から抽出することを目的としている。 次に、エッジを再構成して、光学ディスクカップ接地真実に加えて、エッジ接地真実を得る。 著者らは両基底真理を利用して、光学ディスクとカップエッジを対象とするU-Netとその変種アーキテクチャと、セグメンテーションのための光学ディスクカップ基底真理を研究する。 著者らは、REFUGEベンチマークデータセットとDrishti-GSデータセットを使用して研究を行い、その結果をダイスとハウスドルフ距離の測定値に集計した。 REFUGEデータセットの場合、光学ディスクの平均ダイススコアは0.7425から0.8859に改善され、ベースラインU-Netモデルでは平均ハウスドルフ距離は6.5810から3.0540に低下した。 同様に、光学カップの平均ダイススコアは0.6970から0.8639に改善され、一方平均ハウスドルフ距離は同じモデルでは5.2340から2.6323に減少した。 Drishti-GSデータセットでも同様の改善が観測されている。 ベースラインのU-Netとその変種(すなわち注意U-NetとU-Net++)と比較して、統合エッジを学習するモデルと光学ディスクとカップ領域は、検証とテストの両方で良好に動作した。

関連論文リスト

• Trust your Good Friends: Source-free Domain Adaptation by Reciprocal Neighborhood Clustering [50.46892302138662]
  我々は、ソースデータがない場合に、ソース事前学習されたモデルをターゲット領域に適応させる、ソースフリー領域適応問題に対処する。 提案手法は,ソースドメイン分類器と一致しない可能性のあるターゲットデータが,依然として明確なクラスタを形成しているという観測に基づいている。 本研究では, この地域構造を, 地域住民, 相互隣人, 及び拡張近所を考慮し, 効率的に把握できることを実証する。
  論文  参考訳（メタデータ） (2023-09-01T15:31:18Z)
• White Matter Tracts are Point Clouds: Neuropsychological Score Prediction and Critical Region Localization via Geometric Deep Learning [68.5548609642999]
  ホワイトマタートラクトデータを用いた神経心理学的スコア予測のためのディープラーニングに基づくフレームワークを提案する。 各点の微細構造測定を行う点雲として, arcuate fasciculus (AF) を表現した。 Paired-Siamese Lossでは,連続した神経心理学的スコアの違いに関する情報を利用した予測性能を改善した。
  論文  参考訳（メタデータ） (2022-07-06T02:03:28Z)
• 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)
• k-strip: A novel segmentation algorithm in k-space for the application of skull stripping [0.6765415832831837]
  本稿では, 深層学習に基づく磁気共鳴イメージング(MRI)のための新しい頭蓋切削アルゴリズムを提案する。 我々は、複雑な生のk空間データを直接扱うために、ディープラーニングベースのモデルを訓練した。 結果: どちらのデータセットも、地上の真実と非常によく似ていた。
  論文  参考訳（メタデータ） (2022-05-19T17:19:30Z)
• Highly Accurate Dichotomous Image Segmentation [139.79513044546]
  Dichotomous Image segmentation (DIS)と呼ばれる新しいタスクは、自然画像から高度に正確な物体を抽出することを目的としている。 私たちは、5,470の高解像度画像(例えば、2K、4K以上の画像)を含む最初の大規模データセットdis5Kを収集します。 また、Disdisモデルトレーニングのための特徴レベルとマスクレベルの両方のガイダンスを用いて、単純な中間監視ベースライン(IS-Net)を導入する。
  論文  参考訳（メタデータ） (2022-03-06T20:09:19Z)
• Grasp-Oriented Fine-grained Cloth Segmentation without Real Supervision [66.56535902642085]
  本稿では, 深度画像のみを用いて, 変形した衣服のきめ細かい領域検出の問題に取り組む。 最大で6つの意味領域を定義し, 首の縁, スリーブカフ, ヘム, 上と下をつかむ点を含む。 これらの部品のセグメント化とラベル付けを行うために,U-net ベースのネットワークを導入する。 合成データのみを用いてネットワークをトレーニングし、提案したDAが実データでトレーニングしたモデルと競合する結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-10-06T16:31:20Z)
• Two-Stage Mesh Deep Learning for Automated Tooth Segmentation and Landmark Localization on 3D Intraoral Scans [56.55092443401416]
  TS-MDLの最初の段階では、mphiMeshSegNetは0.953pm0.076$で平均Dice類似係数(DSC)に達した。 PointNet-Reg は平均絶対誤差 (MAE) が 0.623pm0.718, mm$ であり、ランドマーク検出の他のネットワークよりも優れている。
  論文  参考訳（メタデータ） (2021-09-24T13:00:26Z)
• Vision Transformers for femur fracture classification [59.99241204074268]
  Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。 史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
  論文  参考訳（メタデータ） (2021-08-07T10:12:42Z)
• Dynamic region proposal networks for semantic segmentation in automated glaucoma screening [0.8029049649310211]
  眼底画像による緑内障のスクリーニングは、眼球径比とディスク径比で決定できる。 我々は2つの新しいアプローチ、すなわち2つの新しいアプローチを提案する。 Shared Branched Network (PSBN) and Weak Region of Interest Model-based segmentation (英語)
  論文  参考訳（メタデータ） (2021-05-19T11:19:14Z)
• M-Net with Bidirectional ConvLSTM for Cup and Disc Segmentation in Fundus Images [0.0]
  緑内障は、光ファイバーを劣化させることが知られている重度の眼疾患であり、カップのサイズが増加します。 我々は,関節カップとディスクセグメンテーションに基づく双方向畳み込み長短期記憶(LSTM)を改良したM-Netを提案する。 提案したモデルでは,カップとディスクの比率の異常を観察できるカップとディスク領域を分割した。
  論文  参考訳（メタデータ） (2021-04-08T07:01:42Z)
• SAR-U-Net: squeeze-and-excitation block and atrous spatial pyramid pooling based residual U-Net for automatic liver CT segmentation [3.192503074844775]
  Squeeze-and-Excitation(SE)ブロック,Atrous Space Pyramid Pooling(ASPP),Resternal Learningといったテクニックを活用した,U-Netベースのフレームワークが提案されている。 提案手法の有効性を2つの公開データセットLiTS17とSLiver07で検証した。
  論文  参考訳（メタデータ） (2021-03-11T02:32:59Z)

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。