Benutzer: Gast  Login
Weniger Felder
Einfache Suche
Wenn Sie Schwierigkeiten haben, das Dokument zu öffnen, versuchen Sie auch bitte diesen Link
Originaltitel:
Hybrid Convolutional and Graph-Convolutional Framework for Segmentation Refinement
Übersetzter Titel:
Hybrides Convolutional- und Graph-Convolutional-Framework zur Segmentierungsverfeinerung
Autor:
Soberanis Mukul, Roger David
Jahr:
2022
Dokumenttyp:
Dissertation
Fakultät/School:
Fakultät für Informatik
Betreuer:
Navab, Nassir (Prof., Ph.D.)
Gutachter:
Navab, Nassir (Prof., Ph.D.); Menze, Björn (Prof. Dr.)
Sprache:
en
Fachgebiet:
DAT Datenverarbeitung, Informatik
TU-Systematik:
MED 230; DAT 760
Kurzfassung:
We present a graph convolutional network (GCN)-based framework for segmentation refinement. Considering the uncertainty analysis of a fully convolutional network, we use the high confidence points to define the refinement process as a semi-supervised node classification task and solve it with a GCN. We show an improved performance over the traditional conditional random field refinement on pancreas and spleen segmentation.
Übersetzte Kurzfassung:
Wir präsentieren eine Graph Convolutional Network (GCN)-basierte Framework zur Segmentierungsverfeinerung. Unter Berücksichtigung der Unsicherheitsanalyse eines Fully Convolutional Network verwenden wir die hohen Konfidenzpunkte, um den Verfeinerungsprozess als semi-überwachte Knotenklassifizierungsaufgabe zu definieren und mit einem GCN zu lösen. Wir zeigen eine verbesserte Leistung gegenüber der traditionellen zufällig bedingten Feldverfeinerung bei der Pankreas- und Milzsegmentierung.
WWW:
https://mediatum.ub.tum.de/?id=1624425
Eingereicht am:
27.09.2021
Mündliche Prüfung:
28.02.2022
Dateigröße:
11854751 bytes
Seiten:
125
Urn (Zitierfähige URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20220228-1624425-1-2
Letzte Änderung:
22.04.2022
 BibTeX