論文の概要: Disconnect to Connect: A Data Augmentation Method for Improving Topology Accuracy in Image Segmentation

• arxiv url: http://arxiv.org/abs/2503.05541v1
• Date: Fri, 07 Mar 2025 16:11:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-10 15:56:34.770541
• Title: Disconnect to Connect: A Data Augmentation Method for Improving Topology Accuracy in Image Segmentation
• Title（参考訳）: Disconnect to Connect:画像セグメンテーションにおけるトポロジ精度向上のためのデータ拡張手法
• Authors: Juan Miguel Valverde, Maja Østergaard, Adrian Rodriguez-Palomo, Peter Alling Strange Vibe, Nina Kølln Wittig, Henrik Birkedal, Anders Bjorholm Dahl,
• Abstract要約: ディープニューラルネットワークは個々のピクセルを分類し、小さな誤分類でさえ、これらの構造内の細い接続を壊す可能性がある。 トポロジ損失関数のような既存のトポロジ精度向上手法は、非常に正確で、トポロジ的に正確なトレーニングラベルに依存している。 我々は、データ拡張戦略であるCoLeTraを紹介します。これは、壊れているように見える構造が実際に接続されているという以前の知識をモデルに統合するものです。
• 参考スコア（独自算出の注目度）: 0.493599216374976
• License:
• Abstract: Accurate segmentation of thin, tubular structures (e.g., blood vessels) is challenging for deep neural networks. These networks classify individual pixels, and even minor misclassifications can break the thin connections within these structures. Existing methods for improving topology accuracy, such as topology loss functions, rely on very precise, topologically-accurate training labels, which are difficult to obtain. This is because annotating images, especially 3D images, is extremely laborious and time-consuming. Low image resolution and contrast further complicates the annotation by causing tubular structures to appear disconnected. We present CoLeTra, a data augmentation strategy that integrates to the models the prior knowledge that structures that appear broken are actually connected. This is achieved by creating images with the appearance of disconnected structures while maintaining the original labels. Our extensive experiments, involving different architectures, loss functions, and datasets, demonstrate that CoLeTra leads to segmentations topologically more accurate while often improving the Dice coefficient and Hausdorff distance. CoLeTra's hyper-parameters are intuitive to tune, and our sensitivity analysis shows that CoLeTra is robust to changes in these hyper-parameters. We also release a dataset specifically suited for image segmentation methods with a focus on topology accuracy. CoLetra's code can be found at https://github.com/jmlipman/CoLeTra.
• Abstract（参考訳）: 深層ニューラルネットワークでは,細管構造(血管など)の正確なセグメンテーションが困難である。 これらのネットワークは個々のピクセルを分類し、小さな誤分類でさえこれらの構造内の細い接続を壊す可能性がある。 トポロジ損失関数のような既存のトポロジ精度向上手法は、非常に正確で、トポロジ的に正確なトレーニングラベルに依存しており、入手が困難である。 これは、注釈付き画像、特に3D画像は、非常に退屈で時間を要するためです。 低解像度とコントラストは、管状構造が切断されたように見えることによってアノテーションをさらに複雑にする。 我々は、データ拡張戦略であるCoLeTraを紹介します。これは、壊れているように見える構造が実際に接続されているという以前の知識をモデルに統合するものです。 これは、元のラベルを維持しながら、切断された構造の外観で画像を作成することで達成される。 異なるアーキテクチャ、損失関数、データセットを含む我々の広範な実験は、CoLeTraが、Dice係数とハウスドルフ距離をよく改善しながら、位相的により正確なセグメンテーションをもたらすことを示した。 CoLeTraのハイパーパラメータは直感的にチューニングでき、感度解析により、CoLeTraはこれらのハイパーパラメータの変化に対して堅牢であることが示された。 また、トポロジの精度を重視した画像分割法に適したデータセットもリリースした。 CoLetraのコードはhttps://github.com/jmlipman/CoLeTraにある。

関連論文リスト

• Distance Weighted Trans Network for Image Completion [52.318730994423106]
  本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
  論文  参考訳（メタデータ） (2023-10-11T12:46:11Z)
• Self-supervised Semantic Segmentation: Consistency over Transformation [3.485615723221064]
  Inception Large Kernel Attention (I-LKA) モジュールをベースとしたロバストなフレームワークを統合した新しい自己教師型アルゴリズム textbfS$3$-Net を提案する。 我々は、変形可能な畳み込みを積分成分として利用し、優れた物体境界定義のための歪み変形を効果的に捕捉し、デライン化する。 皮膚病変および肺臓器の分節タスクに関する実験結果から,SOTA法と比較して,本手法の優れた性能を示した。
  論文  参考訳（メタデータ） (2023-08-31T21:28:46Z)
• 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)
• DTU-Net: Learning Topological Similarity for Curvilinear Structure Segmentation [2.9398911304923447]
  本稿では,2つの重み付きU-Netからなる2重デコーダとトポロジ対応ディープニューラルネットワークDTU-Netを提案する。 テクスチャネットは、画像テクスチャ情報を用いて粗い予測を行う。 トポロジネットは、誤りとミスの分割を認識するために訓練された三重項損失を用いることで、粗い予測からトポロジ情報を学習する。
  論文  参考訳（メタデータ） (2022-05-23T08:15:26Z)
• Generic Perceptual Loss for Modeling Structured Output Dependencies [78.59700528239141]
  トレーニングされた重みではなく、ネットワーク構造が重要であることを示す。 我々は、出力の構造化依存関係をモデル化するためにランダムに重み付けされたディープcnnが使用できることを実証する。
  論文  参考訳（メタデータ） (2021-03-18T23:56:07Z)
• CoTr: Efficiently Bridging CNN and Transformer for 3D Medical Image Segmentation [95.51455777713092]
  畳み込みニューラルネットワーク(CNN)は、現代の3D医療画像セグメンテーションのデファクトスタンダードとなっている。 本稿では,bf畳み込みニューラルネットワークとbfトランスbf(cotr)を効率良く橋渡しし,正確な3次元医用画像分割を実現する新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-03-04T13:34:22Z)
• Group-Wise Semantic Mining for Weakly Supervised Semantic Segmentation [49.90178055521207]
  この研究は、画像レベルのアノテーションとピクセルレベルのセグメンテーションのギャップを埋めることを目標に、弱い監督されたセマンティックセグメンテーション(WSSS)に対処する。 画像群における意味的依存関係を明示的にモデル化し,より信頼性の高い擬似的基盤構造を推定する,新たなグループ学習タスクとしてWSSSを定式化する。 特に、入力画像がグラフノードとして表現されるグループ単位のセマンティックマイニングのためのグラフニューラルネットワーク(GNN)を考案する。
  論文  参考訳（メタデータ） (2020-12-09T12:40:13Z)
• Spatio-Temporal Inception Graph Convolutional Networks for Skeleton-Based Action Recognition [126.51241919472356]
  我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。 ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
  論文  参考訳（メタデータ） (2020-11-26T14:43:04Z)
• 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)
• Self-Learning with Rectification Strategy for Human Parsing [73.06197841003048]
  擬似ラベルの2つの典型的な誤りを補正する訓練可能なグラフ推論法を提案する。 再構成された特徴は、人体のトポロジー構造を表現する能力が強い。 本手法は、教師付き人間の解析作業において、他の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-04-17T03:51:30Z)

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。