論文の概要: Preserving instance continuity and length in segmentation through connectivity-aware loss computation

• arxiv url: http://arxiv.org/abs/2509.03154v1
• Date: Wed, 03 Sep 2025 09:08:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 21:40:46.472971
• Title: Preserving instance continuity and length in segmentation through connectivity-aware loss computation
• Title（参考訳）: 接続性を考慮した損失計算によるセグメント化におけるインスタンス連続性と長さの保存
• Authors: Karol Szustakowski, Luk Frank, Julia Esser, Jan Gründemann, Marie Piraud,
• Abstract要約: 本稿では、出力インスタンスの接続性を維持するために、負中心線損失と簡易位相損失という2つの新しい損失関数を提案する。 我々は,軸索初期セグメント(AIS)の3次元光シート蛍光顕微鏡データセットに対するアプローチについて検討した。
• 参考スコア（独自算出の注目度）: 0.29656637520758655
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In many biomedical segmentation tasks, the preservation of elongated structure continuity and length is more important than voxel-wise accuracy. We propose two novel loss functions, Negative Centerline Loss and Simplified Topology Loss, that, applied to Convolutional Neural Networks (CNNs), help preserve connectivity of output instances. Moreover, we discuss characteristics of experiment design, such as downscaling and spacing correction, that help obtain continuous segmentation masks. We evaluate our approach on a 3D light-sheet fluorescence microscopy dataset of axon initial segments (AIS), a task prone to discontinuity due to signal dropout. Compared to standard CNNs and existing topology-aware losses, our methods reduce the number of segmentation discontinuities per instance, particularly in regions with missing input signal, resulting in improved instance length calculation in downstream applications. Our findings demonstrate that structural priors embedded in the loss design can significantly enhance the reliability of segmentation for biological applications.
• Abstract（参考訳）: 多くのバイオメディカルセグメンテーションタスクにおいて、長い構造連続性と長さの保存は、ボクセルの精度よりも重要である。 本稿では,CNN(Convolutional Neural Networks)に適用したNative Centerline LossとSimplified Topology Lossの2つの新しい損失関数を提案する。 さらに,ダウンスケーリングやスペーシング補正などの実験設計の特徴を考察し,連続的なセグメンテーションマスクの取得を支援する。 我々は,軸索初期セグメント(AIS)の3次元光シート蛍光顕微鏡データセットに対するアプローチについて検討した。 標準のCNNや既存のトポロジ対応の損失と比較して、入力信号が不足している地域では、インスタンスごとのセグメンテーションの不連続が減少し、ダウンストリームアプリケーションにおけるインスタンス長の計算が向上する。 損失設計に埋め込まれた構造的先行性は, 生体応用におけるセグメンテーションの信頼性を著しく向上させる可能性が示唆された。

関連論文リスト

• Efficient Connectivity-Preserving Instance Segmentation with Supervoxel-Based Loss Function [2.501693072047969]
  計算オーバーヘッドを最小限に抑えたトポロジ対応ニューラルネットワークセグメンテーション法を提案する。 マウス脳の3次元光顕微鏡画像の公開データセット上で,その効果を実証する。
  論文  参考訳（メタデータ） (2025-01-02T02:49:13Z)
• Skeleton Recall Loss for Connectivity Conserving and Resource Efficient Segmentation of Thin Tubular Structures [2.0710692923459804]
  容器、神経、道路、コンクリートクラックなどの細い管状構造を正確に分断することは、コンピュータビジョンにおいて重要な課題である。 DiceやCross-Entropyのような標準的なディープラーニングベースのセグメンテーション損失関数は、しばしば構造的な接続性やトポロジーを犠牲にしてオーバーラップに焦点を当てる。 我々は,GPUベースの計算を低コストなCPU操作で回避し,これらの課題を効果的に解決する新しいSkeleton Recall Lossを提案する。
  論文  参考訳（メタデータ） (2024-04-03T18:42:19Z)
• 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)
• 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)
• Topological obstructions in neural networks learning [67.8848058842671]
  損失勾配関数フローのグローバル特性について検討する。 損失関数とそのモースコンプレックスの位相データ解析を用いて,損失面の大域的特性と勾配軌道に沿った局所的挙動を関連付ける。
  論文  参考訳（メタデータ） (2020-12-31T18:53:25Z)
• Spectral Analysis for Semantic Segmentation with Applications on Feature Truncation and Weak Annotation [19.967870811543737]
  U-NetのようなSSNNの精度とトレーニングコストの顕著なバランスが存在する。 本稿では,ダウンサンプルグリッドの分解能,損失関数,SSNNの精度の相関関係をスペクトル解析により解析する。
  論文  参考訳（メタデータ） (2020-12-28T07:18:25Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• clDice -- A Novel Topology-Preserving Loss Function for Tubular Structure Segmentation [57.20783326661043]
  中心線Dice (short clDice) と呼ばれる新しい類似度尺度を導入する。 理論的には、clDiceは2次元および3次元のセグメンテーションにおけるホモトピー同値までのトポロジー保存を保証する。 我々は、船舶、道路、ニューロン(2Dと3D)を含む5つの公開データセットでソフトクライス損失をベンチマークした。
  論文  参考訳（メタデータ） (2020-03-16T16:27:49Z)

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。