論文の概要: Domain Adaptive Medical Image Segmentation via Adversarial Learning of
Disease-Specific Spatial Patterns
- arxiv url: http://arxiv.org/abs/2001.09313v3
- Date: Tue, 11 Aug 2020 12:28:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-07 00:17:39.944951
- Title: Domain Adaptive Medical Image Segmentation via Adversarial Learning of
Disease-Specific Spatial Patterns
- Title（参考訳）: 病的空間パターンの逆学習による領域適応型医用画像分割
- Authors: Hongwei Li, Timo Loehr, Anjany Sekuboyina, Jianguo Zhang, Benedikt
Wiestler, and Bjoern Menze
- Abstract要約: 複数の領域にまたがる画像セグメンテーション性能を向上させるための教師なしドメイン適応フレームワークを提案する。
我々は,不適切なセグメンテーションパターンを拒絶し,意味情報や境界情報を通じて暗黙的に学習することで,新しいデータに適応するようにアーキテクチャを強制する。
対象領域からのラベルなし画像上でのディープネットワークの再構成により,セグメント化精度が大幅に向上することが実証された。
- 参考スコア（独自算出の注目度）: 6.298270929323396
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In medical imaging, the heterogeneity of multi-centre data impedes the
applicability of deep learning-based methods and results in significant
performance degradation when applying models in an unseen data domain, e.g. a
new centreor a new scanner. In this paper, we propose an unsupervised domain
adaptation framework for boosting image segmentation performance across
multiple domains without using any manual annotations from the new target
domains, but by re-calibrating the networks on few images from the target
domain. To achieve this, we enforce architectures to be adaptive to new data by
rejecting improbable segmentation patterns and implicitly learning through
semantic and boundary information, thus to capture disease-specific spatial
patterns in an adversarial optimization. The adaptation process needs
continuous monitoring, however, as we cannot assume the presence of
ground-truth masks for the target domain, we propose two new metrics to monitor
the adaptation process, and strategies to train the segmentation algorithm in a
stable fashion. We build upon well-established 2D and 3D architectures and
perform extensive experiments on three cross-centre brain lesion segmentation
tasks, involving multicentre public and in-house datasets. We demonstrate that
recalibrating the deep networks on a few unlabeled images from the target
domain improves the segmentation accuracy significantly.
- Abstract（参考訳）: 医用画像におけるマルチセントデータの異質性は、ディープラーニングベースの手法の適用性を阻害し、新しいセンターやスキャナーなど、目に見えないデータ領域でモデルを適用する場合、大幅な性能低下をもたらす。
本稿では,新しい対象領域からの手動アノテーションを使わずに,対象領域から少数の画像に対してネットワークを再調整することにより,複数の領域にまたがる画像分割性能を向上させるための教師なしドメイン適応フレームワークを提案する。
これを実現するために,不適切なセグメンテーションパターンを拒絶し,意味情報や境界情報を通じて暗黙的に学習することで,新たなデータに適応するようにアーキテクチャを強制する。
適応プロセスには連続的な監視が必要であるが,対象領域に対する地中マスクの存在を想定できないため,適応プロセスを監視するための2つの新しい指標と,セグメンテーションアルゴリズムを安定的に学習するための戦略を提案する。
我々は、よく確立された2Dおよび3Dアーキテクチャを構築し、多中心のパブリックデータセットと社内データセットを含む3つの横断的な脳病変セグメンテーションタスクについて広範な実験を行った。
対象領域の未ラベル画像でディープネットワークを再調整することで,セグメント化精度が大幅に向上することを示す。
関連論文リスト
- Multi-scale Feature Alignment for Continual Learning of Unlabeled
Domains [3.9498537297431167]
生成的特徴駆動のイメージリプレイとデュアル目的判別器は、リプレイのための現実的な特徴を持つ画像の生成を可能にする。
本稿では,提案手法の構成要素について詳細なアブレーション実験を行い,非教師付きパッチベースセグメンテーションタスクに対する連続的UDA法の適用可能性を示す。
論文 参考訳（メタデータ） (2023-02-02T18:19:01Z) - Deep face recognition with clustering based domain adaptation [57.29464116557734]
そこで本研究では,ターゲットドメインとソースがクラスを共有しない顔認識タスクを対象とした,クラスタリングに基づく新しいドメイン適応手法を提案する。
本手法は,特徴領域をグローバルに整列させ,その一方で,対象クラスタを局所的に識別することで,識別対象特徴を効果的に学習する。
論文 参考訳（メタデータ） (2022-05-27T12:29:11Z) - Edge-preserving Domain Adaptation for semantic segmentation of Medical
Images [0.0]
ドメイン適応は、目に見えない環境で大量のラベル付きデータの不足に対処する技術である。
本稿では,元の画像のエッジの詳細を維持しつつ,サイクル一貫性損失を用いてドメイン間を適応するモデルを提案する。
2つの眼底血管セグメンテーションデータセットの他のアプローチと比較することにより,本アルゴリズムの有効性を実証する。
論文 参考訳（メタデータ） (2021-11-18T18:14:33Z) - Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training
for Road Segmentation of Remote Sensing Images [93.50240389540252]
リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。
本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。
2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
論文 参考訳（メタデータ） (2021-08-28T09:29:14Z) - Cross-Modality Brain Tumor Segmentation via Bidirectional
Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。
具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。
提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
論文 参考訳（メタデータ） (2021-05-17T10:11:45Z) - Adapt Everywhere: Unsupervised Adaptation of Point-Clouds and Entropy
Minimisation for Multi-modal Cardiac Image Segmentation [10.417009344120917]
マルチモーダル心臓画像分割のための新しいUDA法を提案する。
提案手法は、逆学習に基づいて、異なる空間におけるソースとターゲットドメイン間のネットワーク特徴を適応する。
本手法はannotated source domainからunannotated target domainへの適応により2つの心データセットで検証した。
論文 参考訳（メタデータ） (2021-03-15T08:59:44Z) - Privacy Preserving Domain Adaptation for Semantic Segmentation of
Medical Images [13.693640425403636]
非教師付きドメイン適応(UDA)は、未ラベルのターゲットドメインデータのみを用いて新しいモダリティにモデルを適用するために提案される。
UDAのアルゴリズムは、ソースドメインデータがアクセスできないプライバシーに制約された設定で開発します。
本稿では,最新の医用画像セマンティックセグメンテーション手法と比較し,アルゴリズムの有効性を示す。
論文 参考訳（メタデータ） (2021-01-02T22:12:42Z) - Domain Adaptation on Semantic Segmentation for Aerial Images [3.946367634483361]
セマンティックイメージセグメンテーションにおける領域シフトに対処する、新しい教師なしドメイン適応フレームワークを提案する。
また、ターゲット領域にエントロピー最小化を適用し、高信頼な予測を生成する。
様々な指標を用いて最先端手法の改善を示す。
論文 参考訳（メタデータ） (2020-12-03T20:58:27Z) - Unsupervised Instance Segmentation in Microscopy Images via Panoptic
Domain Adaptation and Task Re-weighting [86.33696045574692]
病理組織像における教師なし核分割のためのCycle Consistency Panoptic Domain Adaptive Mask R-CNN(CyC-PDAM)アーキテクチャを提案する。
まず,合成画像中の補助的な生成物を除去するための核塗布機構を提案する。
第二に、ドメイン識別器を持つセマンティックブランチは、パンプトレベルのドメイン適応を実現するように設計されている。
論文 参考訳（メタデータ） (2020-05-05T11:08:26Z) - Spatial Attention Pyramid Network for Unsupervised Domain Adaptation [66.75008386980869]
教師なし領域適応は様々なコンピュータビジョンタスクにおいて重要である。
教師なし領域適応のための新しい空間注意ピラミッドネットワークを設計する。
我々の手法は最先端の手法に対して大きなマージンで好適に機能する。
論文 参考訳（メタデータ） (2020-03-29T09:03:23Z) - Unsupervised Bidirectional Cross-Modality Adaptation via Deeply
Synergistic Image and Feature Alignment for Medical Image Segmentation [73.84166499988443]
我々は、Synergistic Image and Feature Alignment (SIFA)と名付けられた新しい教師なしドメイン適応フレームワークを提案する。
提案するSIFAは、画像と特徴の両方の観点から、ドメインの相乗的アライメントを行う。
2つの異なるタスクに対する実験結果から,SIFA法は未ラベル対象画像のセグメンテーション性能を向上させるのに有効であることが示された。
論文 参考訳（メタデータ） (2020-02-06T13:49:47Z)
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。