論文の概要: Multimodal HIE Lesion Segmentation in Neonates: A Comparative Study of Loss Functions

• arxiv url: http://arxiv.org/abs/2502.09148v1
• Date: Thu, 13 Feb 2025 10:23:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-14 13:48:20.805668
• Title: Multimodal HIE Lesion Segmentation in Neonates: A Comparative Study of Loss Functions
• Title（参考訳）: 新生児におけるMultimodal HIE損傷分節 : ロス関数の比較検討
• Authors: Annayah Usman, Abdul Haseeb, Tahir Syed,
• Abstract要約: 我々は,データ制約を克服するための事前処理,拡張,トレーニング戦略を最適化した3次元U-Netを実装した。 本研究の目的は,HIE病変セグメンテーションタスクに特有な損失関数を同定することである。 Dice, Dice-Focal, Tversky, Hausdorff Distance (HausdorffDT) Loss と、Dice-Focal-HausdorffDT と Tversky-HausdorffDT の2つの複合的な損失によりセグメンテーション性能が向上した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Segmentation of Hypoxic-Ischemic Encephalopathy (HIE) lesions in neonatal MRI is a crucial but challenging task due to diffuse multifocal lesions with varying volumes and the limited availability of annotated HIE lesion datasets. Using the BONBID-HIE dataset, we implemented a 3D U-Net with optimized preprocessing, augmentation, and training strategies to overcome data constraints. The goal of this study is to identify the optimal loss function specifically for the HIE lesion segmentation task. To this end, we evaluated various loss functions, including Dice, Dice-Focal, Tversky, Hausdorff Distance (HausdorffDT) Loss, and two proposed compound losses -- Dice-Focal-HausdorffDT and Tversky-HausdorffDT -- to enhance segmentation performance. The results show that different loss functions predict distinct segmentation masks, with compound losses outperforming standalone losses. Tversky-HausdorffDT Loss achieves the highest Dice and Normalized Surface Dice scores, while Dice-Focal-HausdorffDT Loss minimizes Mean Surface Distance. This work underscores the significance of task-specific loss function optimization, demonstrating that combining region-based and boundary-aware losses leads to more accurate HIE lesion segmentation, even with limited training data.
• Abstract（参考訳）: 新生児MRIにおける低酸素性虚血性脳症 (HIE) 病変の分画は, 多焦点性病変が多量に分散し, 注釈付きHIE病変データセットが限られたため, 極めて重要な課題である。 BONBID-HIEデータセットを用いて,データ制約を克服するための事前処理,拡張,トレーニング戦略を最適化した3次元U-Netを実装した。 本研究の目的は,HIE病変セグメンテーションタスクに特有な損失関数を同定することである。 そこで我々は,Dice,Dice-Focal,Tversky,Hausdorff Distance (HausdorffDT) Loss,およびDice-Focal-HausdorffDTとTversky-HausdorffDTの2つの複合損失を,セグメント化性能を向上させるために評価した。 その結果, 異なる損失関数が別々のセグメンテーションマスクを予測し, 複合損失は単独の損失よりも優れていた。 Tversky-HausdorffDT Lossは、Dice and Normalized Surface Diceスコアを達成し、Dice-Focal-HausdorffDT Lossは平均表面距離を最小化する。 この研究は、タスク固有の損失関数最適化の重要性を強調し、領域ベースと境界認識の損失を組み合わせることで、限られたトレーニングデータであっても、より正確なHIE病変のセグメンテーションにつながることを示した。

関連論文リスト

• Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
  本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。 管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
  論文  参考訳（メタデータ） (2024-01-11T19:07:58Z)
• ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
  大腸内視鏡検査は臨床診断や治療に不可欠である。 注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。 本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
  論文  参考訳（メタデータ） (2023-09-03T07:55:46Z)
• Boundary Difference Over Union Loss For Medical Image Segmentation [30.75832534753879]
  我々は、境界領域分割を導くために、ユニオン損失(境界DoU損失)に対する境界差という、シンプルで効果的な損失を開発した。 私たちの損失はリージョンの計算にのみ依存するので、追加の損失を必要とせずに、実装やトレーニングが簡単になります。
  論文  参考訳（メタデータ） (2023-08-01T01:27:34Z)
• Robust T-Loss for Medical Image Segmentation [56.524774292536264]
  本稿では,医用画像分割のための新しいロバストな損失関数T-Lossを提案する。 提案した損失は、Student-t分布の負のログ類似度に基づいており、データ内の外れ値の処理を効果的に行うことができる。 実験の結果,T-Lossは2つの医療データセットのダイススコアにおいて従来の損失関数よりも優れていた。
  論文  参考訳（メタデータ） (2023-06-01T14:49:40Z)
• A Generalized Surface Loss for Reducing the Hausdorff Distance in Medical Imaging Segmentation [1.2289361708127877]
  本研究では,現在の手法よりも望ましい数値特性を持つハウスドルフ測度を最小化する新しい損失関数を提案する。 我々の損失関数は、最先端のnnUNetアーキテクチャを用いてLiTSとBraTSデータセットでテストした場合、他の損失よりも優れています。
  論文  参考訳（メタデータ） (2023-02-08T04:01:42Z)
• 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)
• Effect of Prior-based Losses on Segmentation Performance: A Benchmark [7.6857153840014165]
  深層畳み込みニューラルネットワーク(CNN)は、医用画像セグメンテーションの最先端のパフォーマンスを実証している。 近年の研究では、物体の形状や境界といった事前の知識を損失関数の制約として取り入れることに焦点が当てられている。 本稿では,最近の医用画像のセグメンテーションにおける先行的損失のベンチマークを確立する。
  論文  参考訳（メタデータ） (2022-01-07T12:27:48Z)
• InverseForm: A Loss Function for Structured Boundary-Aware Segmentation [80.39674800972182]
  逆変換ネットワークを用いたセマンティックセグメンテーションのための新しい境界認識損失項を提案する。 このプラグイン損失項は境界変換の捕捉におけるクロスエントロピー損失を補完する。 室内および屋外のセグメンテーションベンチマークにおける損失関数の定量的および定性的効果を解析した。
  論文  参考訳（メタデータ） (2021-04-06T18:52:45Z)
• Towards Robust Partially Supervised Multi-Structure Medical Image Segmentation on Small-Scale Data [123.03252888189546]
  データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。 マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。 本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
  論文  参考訳（メタデータ） (2020-11-28T16:31:00Z)
• Auto Seg-Loss: Searching Metric Surrogates for Semantic Segmentation [56.343646789922545]
  そこで本研究では,各計量に対する相異なるサロゲート損失を探索することにより,計量固有損失関数の設計を自動化することを提案する。 PASCAL VOCとCityscapesの実験では、探索されたサロゲート損失は手動で設計した損失関数よりも優れていた。
  論文  参考訳（メタデータ） (2020-10-15T17:59:08Z)
• An Elastic Interaction-Based Loss Function for Medical Image Segmentation [10.851295591782538]
  本稿では,医用画像セグメンテーションのための長距離弾性相互作用に基づくトレーニング戦略を提案する。 この戦略において、CNNは予測領域の境界と実際の物体の境界との間の弾性相互作用エネルギーの誘導の下で対象領域を学習する。 実験結果から,本手法は一般的に用いられている画素単位の損失関数と比較して,大幅な改善が可能であることが示された。
  論文  参考訳（メタデータ） (2020-07-06T11:49:14Z)

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。