論文の概要: Topology-Preserving Image Segmentation with Spatial-Aware Persistent Feature Matching
- arxiv url: http://arxiv.org/abs/2412.02076v1
- Date: Tue, 03 Dec 2024 01:38:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-04 15:44:40.012072
- Title: Topology-Preserving Image Segmentation with Spatial-Aware Persistent Feature Matching
- Title(参考訳): 空間認識型永続的特徴マッチングによる位相保存画像分割
- Authors: Bo Wen, Haochen Zhang, Dirk-Uwe G. Bartsch, William R. Freeman, Truong Q. Nguyen, Cheolhong An,
- Abstract要約: 本稿では,画像の空間領域における情報をさらに活用する,効率的かつ効率的な空間認識型トポロジカルロス関数を提案する。
種々の管状構造の画像に対する実験により,提案手法はセグメンテーションのトポロジ的精度向上に優れた性能を示した。
- 参考スコア(独自算出の注目度): 14.569312113899043
- License:
- Abstract: Topological correctness is critical for segmentation of tubular structures. Existing topological segmentation loss functions are primarily based on the persistent homology of the image. They match the persistent features from the segmentation with the persistent features from the ground truth and minimize the difference between them. However, these methods suffer from an ambiguous matching problem since the matching only relies on the information in the topological space. In this work, we propose an effective and efficient Spatial-Aware Topological Loss Function that further leverages the information in the original spatial domain of the image to assist the matching of persistent features. Extensive experiments on images of various types of tubular structures show that the proposed method has superior performance in improving the topological accuracy of the segmentation compared with state-of-the-art methods.
- Abstract(参考訳): 位相的正しさは管状構造の分断に重要である。
既存の位相分割損失関数は、主に画像の永続的ホモロジーに基づいている。
これらは、セグメンテーションの永続的な特徴と地上の真実の永続的な特徴とを一致させ、それらの違いを最小化する。
しかし、これらの手法はトポロジカル空間の情報にのみ依存するため、あいまいなマッチングの問題に悩まされる。
本研究では,画像の空間領域の情報を有効かつ効率的な空間認識型トポロジカルロス関数として提案し,永続的な特徴のマッチングを支援する。
種々の管状構造の画像に対する大規模な実験により, 提案手法は, 最先端の手法と比較して, セグメンテーションのトポロジ的精度の向上に優れた性能を示した。
関連論文リスト
- Pitfalls of topology-aware image segmentation [81.19923502845441]
我々は、不適切な接続選択、見過ごされたトポロジカルアーティファクト、評価指標の不適切な使用を含むモデル評価における致命的な落とし穴を同定する。
本稿では,トポロジを意識した医用画像分割手法の公正かつ堅牢な評価基準を確立するための,行動可能なレコメンデーションセットを提案する。
論文 参考訳(メタデータ) (2024-12-19T08:11:42Z) - 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) - Relative Representations: Topological and Geometric Perspectives [53.88896255693922]
相対表現はゼロショットモデルの縫合に対する確立されたアプローチである。
相対変換において正規化手順を導入し、非等方的再スケーリングや置換に不変となる。
第二に、クラス内のクラスタリングを促進するトポロジカル正規化損失である、微調整された相対表現におけるトポロジカルデシフィケーションの展開を提案する。
論文 参考訳(メタデータ) (2024-09-17T08:09:22Z) - Enhancing Boundary Segmentation for Topological Accuracy with Skeleton-based Methods [7.646983689651424]
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。
論文 参考訳(メタデータ) (2024-04-29T09:27:31Z) - EmerDiff: Emerging Pixel-level Semantic Knowledge in Diffusion Models [52.3015009878545]
我々は、追加の訓練をすることなく、きめ細かなセグメンテーションマップを生成できる画像セグメンタを開発した。
低次元特徴写像の空間的位置と画像画素間の意味的対応を同定する。
大規模な実験では、生成したセグメンテーションマップがよく説明され、画像の細部を捉えることが示されている。
論文 参考訳(メタデータ) (2024-01-22T07:34:06Z) - Topologically faithful image segmentation via induced matching of
persistence barcodes [2.575096947175758]
教師付き画像セグメンテーションのための最初のトポロジカルかつ特徴的に正確な計量と損失関数を提案する。
セグメント化設定におけるバーコード間の空間的整合性を保証する方法を示す。
セグメンテーションの位相的正しさを評価するために,ベッチマッチング誤差が解釈可能な計量であることを示す。
論文 参考訳(メタデータ) (2022-11-28T12:57:57Z) - 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) - 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) - Out-of-distribution Generalization via Partial Feature Decorrelation [72.96261704851683]
本稿では,特徴分解ネットワークと対象画像分類モデルとを協調的に最適化する,PFDL(Partial Feature Deorrelation Learning)アルゴリズムを提案する。
実世界のデータセットを用いた実験により,OOD画像分類データセットにおけるバックボーンモデルの精度が向上することを示した。
論文 参考訳(メタデータ) (2020-07-30T05:48:48Z) - Phase Consistent Ecological Domain Adaptation [76.75730500201536]
意味的セグメンテーション(意味的セグメンテーション)の課題に焦点をあてる。そこでは、注釈付き合成データが多用されるが、実際のデータへのアノテートは困難である。
視覚心理学に触発された最初の基準は、2つの画像領域間の地図が位相保存であることである。
第2の基準は、照明剤や撮像センサーの特性に関わらず、その画像に現れる環境統計、またはシーン内の規則を活用することを目的としている。
論文 参考訳(メタデータ) (2020-04-10T06:58:03Z)
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。