医学セグメンテーションにおける不均衡問題のためのオフセット曲線損失【JST・京大機械翻訳】

Le Ngan; Le Trung; Yamazaki Kashu; Bui Toan Duc; Luu Khoa; Savides Marios

プレプリント

J-GLOBAL ID：202202205662100027 整理番号：22P0215155

医学セグメンテーションにおける不均衡問題のためのオフセット曲線損失【JST・京大機械翻訳】

Offset Curves Loss for Imbalanced Problem in Medical Segmentation

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (6件)： , , , , ,
資料名：
発行年： 2020年12月04日プレプリントサーバーでの情報更新日： 2020年12月04日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

医用画像セグメンテーションは医学分析において重要な役割を果たし,多くの臨床応用のために広く開発された。深層学習ベース手法は意味セグメンテーションにおいて高性能を達成したが,それらはピクセルワイズ設定と不均衡クラスデータ問題に限定される。本論文では,輪郭内部の領域,中間特徴レベル,輪郭周辺のオフセット曲線,および輪郭のより低い特徴レベルの両方を考慮した新しい深層学習ベースモデルを開発することにより,それらの限界に取り組んだ。提案したオフセット曲線(OsC)損失は3つの主なフィッティング項から成る。第1のフィッティング項は,画素ごとのレベルセグメンテーションに焦点を合わせ,一方,第2のフィッティング項は,境界(オフセット曲線)の周りに注意を払う注意モデルとして作用する。第3項は境界の長さを考慮した正則化項として役割を果たす。2Dネットワークと3Dネットワークの両方で提案したOsC損失を評価した。2つの一般的な医療データセット,すなわち網膜DRIVEと脳腫瘍BRATS2018データセットを用いて,提案した損失性能をベンチマークした。実験により,提案OsC損失関数は,最も一般的なセグメンテーションネットワークUnet,FCN上で,交差エントロピー,Dice,Focalのような他の主流損失関数より優れていることを示した。【JST・京大機械翻訳】

, , , , , , , , , , , , ,
, , , 【Automatic Indexing@JST】

パターン認識 , 図形・画像処理一般 , 医用画像処理

, , , , , ,

前のページに戻る