Learning to segment from object thickness annotations

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F23%3A00366106" target="_blank" >RIV/68407700:21230/23:00366106 - isvavai.cz</a>

Výsledek na webu

<a href="https://doi.org/10.1109/ISBI53787.2023.10230621" target="_blank" >https://doi.org/10.1109/ISBI53787.2023.10230621</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/ISBI53787.2023.10230621" target="_blank" >10.1109/ISBI53787.2023.10230621</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Learning to segment from object thickness annotations

Popis výsledku v původním jazyce

Measuring object size is fast and a standard part of many radiological evaluation procedures. We describe a deep learning segmentation method that can be trained on a small number of pixel-wise reference segmentation and then fine-tuned from the weak annotations of the object thickness. The difficulty is in the non-differentiability of the thickness function defined using the pixel-wise distance transform. We overcome it by optimizing the expected value of the loss function after the injection of a virtual random noise. Further speedup is possible using the properties of the distance transform. We demonstrate the benefit of the proposed method on ultrasound images of the carotid artery. The fine-tuning improves the performance by about 10% IoU.

Název v anglickém jazyce

Learning to segment from object thickness annotations

Popis výsledku anglicky

Measuring object size is fast and a standard part of many radiological evaluation procedures. We describe a deep learning segmentation method that can be trained on a small number of pixel-wise reference segmentation and then fine-tuned from the weak annotations of the object thickness. The difficulty is in the non-differentiability of the thickness function defined using the pixel-wise distance transform. We overcome it by optimizing the expected value of the loss function after the injection of a virtual random noise. Further speedup is possible using the properties of the distance transform. We demonstrate the benefit of the proposed method on ultrasound images of the carotid artery. The fine-tuning improves the performance by about 10% IoU.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2023

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

2023 IEEE 20th International Symposium on Biomedical Imaging (ISBI)

ISBN

978-1-6654-7358-3

ISSN

1945-7928

e-ISSN

1945-8452

Počet stran výsledku

4

Strana od-do

—

Název nakladatele

IEEE Signal Processing Society

Místo vydání

New Jersey

Místo konání akce

Cartagena de Indias

Datum konání akce

18. 4. 2023

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

001062050500298