論文の概要: GraphMorph: Tubular Structure Extraction by Morphing Predicted Graphs
- arxiv url: http://arxiv.org/abs/2502.11731v1
- Date: Mon, 17 Feb 2025 12:18:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-18 14:10:36.496158
- Title: GraphMorph: Tubular Structure Extraction by Morphing Predicted Graphs
- Title（参考訳）: GraphMorph: 予測グラフによる管状構造抽出
- Authors: Zhao Zhang, Ziwei Zhao, Dong Wang, Liwei Wang,
- Abstract要約: 提案手法は,よりトポロジ的に正確な予測を行うために,管状構造の分岐レベル特徴に着目した。
GraphMorphは、Graph DecoderとMorph Moduleの2つの主要コンポーネントで構成されている。
- 参考スコア（独自算出の注目度）: 19.45995771737195
- License:
- Abstract: Accurately restoring topology is both challenging and crucial in tubular structure extraction tasks, such as blood vessel segmentation and road network extraction. Diverging from traditional approaches based on pixel-level classification, our proposed method, named GraphMorph, focuses on branch-level features of tubular structures to achieve more topologically accurate predictions. GraphMorph comprises two main components: a Graph Decoder and a Morph Module. Utilizing multi-scale features extracted from an image patch by the segmentation network, the Graph Decoder facilitates the learning of branch-level features and generates a graph that accurately represents the tubular structure in this patch. The Morph Module processes two primary inputs: the graph and the centerline probability map, provided by the Graph Decoder and the segmentation network, respectively. Employing a novel SkeletonDijkstra algorithm, the Morph Module produces a centerline mask that aligns with the predicted graph. Furthermore, we observe that employing centerline masks predicted by GraphMorph significantly reduces false positives in the segmentation task, which is achieved by a simple yet effective post-processing strategy. The efficacy of our method in the centerline extraction and segmentation tasks has been substantiated through experimental evaluations across various datasets. Source code will be released soon.
- Abstract（参考訳）: 正確な復元トポロジーは、血管のセグメンテーションや道路網の抽出といった管状構造抽出作業において、困難かつ重要なものである。
画素レベルの分類に基づく従来の手法とは違い,提案手法は管状構造の分岐レベルの特徴に着目し,より位相的に正確な予測を行う。
GraphMorphは、Graph DecoderとMorph Moduleの2つの主要コンポーネントで構成されている。
セグメント化ネットワークによって抽出された画像パッチから抽出されたマルチスケール特徴を利用して、グラフデコーダは分岐レベルの特徴の学習を促進し、このパッチ内の管状構造を正確に表現したグラフを生成する。
Morph Moduleはグラフデコーダとセグメンテーションネットワークによってそれぞれ提供されるグラフと中心線確率マップの2つの主要な入力を処理する。
新たなSkeletonDijkstraアルゴリズムを用いて、Morph Moduleは予測されたグラフと整合する中心となるマスクを生成する。
さらに,GraphMorphが予測した中心線マスクを用いることで,セグメント化作業における偽陽性を著しく低減する。
中心線抽出およびセグメンテーションタスクにおける本手法の有効性は,各種データセットを対象とした実験により検証された。
ソースコードはまもなくリリースされる。
関連論文リスト
- Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。
近年の研究では、グラフ表現学習における事前学習の有用性が示されている。
本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
論文 参考訳（メタデータ） (2023-02-06T16:26:29Z) - Digraphwave: Scalable Extraction of Structural Node Embeddings via
Diffusion on Directed Graphs [20.432261314154804]
Digraphwaveは、有向グラフ上の構造ノード埋め込みを抽出するスケーラブルなアルゴリズムである。
この2つの組込み強化は、自己同型アイデンティティの分類において、マクロF1スコアの顕著な増加につながることが示されている。
論文 参考訳（メタデータ） (2022-07-20T19:03:35Z) - Deep Learning and Spectral Embedding for Graph Partitioning [0.13999481573773068]
本稿では,グラフニューラルネットワークに基づくグラフ分割分割アルゴリズムを提案する。
グラフの各ノードに対して、ネットワークは各パーティションの確率を出力する。
論文 参考訳（メタデータ） (2021-10-16T16:57:01Z) - Edge but not Least: Cross-View Graph Pooling [76.71497833616024]
本稿では,重要なグラフ構造情報を活用するために,クロスビューグラフプーリング(Co-Pooling)手法を提案する。
クロスビュー相互作用、エッジビュープーリング、ノードビュープーリングにより、相互にシームレスに強化され、より情報的なグラフレベルの表現が学習される。
論文 参考訳（メタデータ） (2021-09-24T08:01:23Z) - Spectral Graph Convolutional Networks With Lifting-based Adaptive Graph
Wavelets [81.63035727821145]
スペクトルグラフ畳み込みネットワーク(SGCN)はグラフ表現学習において注目を集めている。
本稿では,適応グラフウェーブレットを用いたグラフ畳み込みを実装した新しいスペクトルグラフ畳み込みネットワークを提案する。
論文 参考訳（メタデータ） (2021-08-03T17:57:53Z) - Accurate Learning of Graph Representations with Graph Multiset Pooling [45.72542969364438]
本稿では,その構造的依存関係に応じてノード間の相互作用をキャプチャするグラフマルチセットトランス (GMT) を提案する。
実験の結果,GMTはグラフ分類ベンチマークにおいて,最先端のグラフプーリング法を著しく上回っていることがわかった。
論文 参考訳（メタデータ） (2021-02-23T07:45:58Z) - Anisotropic Graph Convolutional Network for Semi-supervised Learning [7.843067454030999]
グラフ畳み込みネットワークは、高精度な予測結果を達成するのに有用であることが証明された効率的なノード埋め込みを学習する。
これらのネットワークはグラフの過度な平滑化と縮小効果の問題に悩まされており、それはグラフの端に線形ラプラシア流を用いて拡散するからである。
本稿では,ノードからの情報的特徴を捉える非線形関数を導入し,過度なスムーシングを防止し,半教師付きノード分類のための異方性グラフ畳み込みネットワークを提案する。
論文 参考訳（メタデータ） (2020-10-20T13:56:03Z) - Line Graph Neural Networks for Link Prediction [71.00689542259052]
実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。
このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。
本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。
特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
論文 参考訳（メタデータ） (2020-10-20T05:54:31Z) - Graph Convolutional Networks using Heat Kernel for Semi-supervised
Learning [47.18608594687675]
グラフベースの半教師付き学習の鍵となるのは、グラフ構造によってノード上のラベルや機能の滑らかさをキャプチャすることだ。
本稿では,低周波フィルタの高速化とグラフ上の信号変動のスムーズ性向上に熱カーネルを活用するGraphHeatを提案する。
GraphHeatは、3つのベンチマークデータセットにわたるグラフベースの半教師付き分類タスクにおいて、最先端の結果を達成する。
論文 参考訳（メタデータ） (2020-07-27T11:53:52Z) - Graph Pooling with Node Proximity for Hierarchical Representation
Learning [80.62181998314547]
本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。
その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
論文 参考訳（メタデータ） (2020-06-19T13:09:44Z) - Structural Temporal Graph Neural Networks for Anomaly Detection in
Dynamic Graphs [54.13919050090926]
本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。
特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。
抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
論文 参考訳（メタデータ） (2020-05-15T09:17:08Z)
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。