search

betashort / survey_paper_and_pdf

読んだ論文をまとめる
2 stars 0 forks source link

Unsupervised Medical Image Segmentation Based on the Local Center of Mass #1

Open betashort opened 4 years ago

betashort commented 4 years ago

0. 論文情報・リンク

論文リンク：https://www.nature.com/articles/s41598-018-31333-5 公開日時：29 August 2018 実装コード：https://github.com/AlexiaJM/RelativisticGAN Publication : nature scientific reports

1. どんなもの？

"局所重心"を元にした、教師なしセグメンテーションを提案した。 この手法は、1次元のピクセルを効率的にグルーピングすることが出来き、2次元・3次元へ反復なアルゴリズムとして展開出来る。

2. 先行研究と比べてどこがすごいの？

Diceによる評価では、一番良い性能になっている。 また、従来法に比べ、過剰なセグメントを軽減することが出来る。これは、近接ピクセルだけでなく、全体も考慮した手法になっているから。 けど、処理時間が爆発的に増加している。

IMG_0267

セグメンテーション結果 IMG_0269 IMG_0268

3. 技術や手法の"キモ"はどこにある？

2次元や3次元といった"高次元にも拡張できる"、"局所重心に基づいた"効率的な"アルゴリズムである。

4. どうやって有効だと検証した？

Dice係数による評価

5. 議論はあるか？

処理時間が爆発的に増加している。 パラメータKやiteraterを小さくしたり、GPUを使ったりすることで高速化が出来る。 今後の課題だそう

6. 次に読むべき論文はあるか？

7. 実装

matlabで公開されている。https://www.nitrc.org/projects/seg

8. 参考文献

betashort commented 4 years ago

Watershed Segmentation

https://en.wikipedia.org/wiki/Watershed_(image_processing)

GMM-HMRF

Gaussian-mixture-model based Hidden-Markou-random-field

SLIC

Simple Linear Iterative Clustering

betashort commented 4 years ago

Abstract

画像セグメンテーションは、多くの医用画像研究において、重要なステップであり、自動計算技術によりそれは容易である。 より効果的な教師あり学習は、大量の訓練データが必要であり、それらは作成するのに重労働である手動でラベル付けされたものである。 反して、教師なし学習は、正解データがない状況で、新しい画像をセグメントする。 局所重心の計算をベースとした教師なしセグメンテーションを新たな手法として提案する。 一次元信号のピクセルをグルーピングする効率的な手法である。それは、反復することで、2次元や3次元にも適用することができる。 2D X線画像と、3D腹部MRI画像、3D心血管MRI画像で、この手法を検証する。