論文の概要: Unsupervised Bidirectional Cross-Modality Adaptation via Deeply
Synergistic Image and Feature Alignment for Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2002.02255v1
- Date: Thu, 6 Feb 2020 13:49:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-03 13:05:52.082668
- Title: Unsupervised Bidirectional Cross-Modality Adaptation via Deeply
Synergistic Image and Feature Alignment for Medical Image Segmentation
- Title（参考訳）: 医用画像セグメンテーションのための深い相乗的画像と特徴アライメントによる教師なし双方向クロスモーダル適応
- Authors: Cheng Chen, Qi Dou, Hao Chen, Jing Qin, Pheng Ann Heng
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 73.84166499988443
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unsupervised domain adaptation has increasingly gained interest in medical
image computing, aiming to tackle the performance degradation of deep neural
networks when being deployed to unseen data with heterogeneous characteristics.
In this work, we present a novel unsupervised domain adaptation framework,
named as Synergistic Image and Feature Alignment (SIFA), to effectively adapt a
segmentation network to an unlabeled target domain. Our proposed SIFA conducts
synergistic alignment of domains from both image and feature perspectives. In
particular, we simultaneously transform the appearance of images across domains
and enhance domain-invariance of the extracted features by leveraging
adversarial learning in multiple aspects and with a deeply supervised
mechanism. The feature encoder is shared between both adaptive perspectives to
leverage their mutual benefits via end-to-end learning. We have extensively
evaluated our method with cardiac substructure segmentation and abdominal
multi-organ segmentation for bidirectional cross-modality adaptation between
MRI and CT images. Experimental results on two different tasks demonstrate that
our SIFA method is effective in improving segmentation performance on unlabeled
target images, and outperforms the state-of-the-art domain adaptation
approaches by a large margin.
- Abstract（参考訳）: 非教師なしのドメイン適応は医用画像コンピューティングにますます関心を寄せ、異質な特徴を持つ未取得のデータにデプロイされたディープニューラルネットワークのパフォーマンス低下に取り組むことを目的としている。
そこで本研究では,Synergistic Image and Feature Alignment (SIFA) と呼ばれる新しい非教師付きドメイン適応フレームワークを提案し,セグメンテーションネットワークを非ラベル対象ドメインに効果的に適応させる。
提案した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。
特に,複数の面での敵対的学習と深く監督された機構を活かして,領域間の画像の出現を同時に変換し,抽出した特徴のドメイン非分散性を高める。
機能エンコーダは、双方の適応的な視点で共有され、エンドツーエンドの学習を通じて相互の利点を活用する。
mriとct画像の両方向交叉性適応のための心サブストラクチャセグメンテーションと腹部マルチオルガンセグメンテーションの併用法を広範囲に検討した。
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り, 最先端領域適応手法よりも高い性能を示した。
関連論文リスト
- Self-Supervised Correction Learning for Semi-Supervised Biomedical Image
Segmentation [84.58210297703714]
半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。
共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。
異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
論文 参考訳（メタデータ） (2023-01-12T08:19:46Z) - MSCDA: Multi-level Semantic-guided Contrast Improves Unsupervised Domain
Adaptation for Breast MRI Segmentation in Small Datasets [5.272836235045653]
マルチレベルセマンティック・ガイド・コントラスト・ドメイン・アダプティブ・フレームワークを提案する。
我々のアプローチは、ドメイン間の特徴表現を整合させるために、対照的な学習を伴う自己学習を取り入れている。
特に,ピクセル・ツー・ピクセル,ピクセル・ツー・セントロイド,セントロイド・ツー・セントロイドのコントラストを取り入れることで,コントラストの損失を増大させる。
論文 参考訳（メタデータ） (2023-01-04T19:16:55Z) - PiPa: Pixel- and Patch-wise Self-supervised Learning for Domain
Adaptative Semantic Segmentation [100.6343963798169]
教師なしドメイン適応(Unsupervised Domain Adaptation, UDA)は、学習モデルの他のドメインへの一般化を強化することを目的としている。
そこで我々は,ドメイン適応型セマンティックセマンティックセグメンテーションのための,PiPaという,画素・パッチ対応の自己教師付き学習フレームワークを提案する。
論文 参考訳（メタデータ） (2022-11-14T18:31:24Z) - Self-semantic contour adaptation for cross modality brain tumor
segmentation [13.260109561599904]
本稿では,前駆的なタスクへの適応を容易にするために,低レベルエッジ情報を活用することを提案する。
正確な輪郭は、意味適応を導くために空間情報を提供する。
われわれはBraTS2018データベース上で脳腫瘍のクロスモーダルセグメンテーションの枠組みについて検討した。
論文 参考訳（メタデータ） (2022-01-13T15:16:55Z) - Unsupervised Domain Adaptation with Semantic Consistency across
Heterogeneous Modalities for MRI Prostate Lesion Segmentation [19.126306953075275]
セマンティック一貫性を促進する2つの新しい損失関数を導入する。
特に,高度な拡散強調画像技術であるVERDICT-MRIの性能向上の課題に対処する。
論文 参考訳（メタデータ） (2021-09-19T17:33:26Z) - Unsupervised Domain Adaptation with Variational Approximation for
Cardiac Segmentation [15.2292571922932]
非教師なし領域適応は、医用画像セグメンテーションに有用である。
両ドメインの潜在機能を共通かつパラメータ化された変分形式に駆動する新しいフレームワークを提案する。
これは、変分オートエンコーダ(VAE)とこの変分近似の正規化に基づく2つのネットワークによって実現される。
論文 参考訳（メタデータ） (2021-06-16T13:00:39Z) - 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) - Margin Preserving Self-paced Contrastive Learning Towards Domain
Adaptation for Medical Image Segmentation [51.93711960601973]
クロスモーダル医療画像セグメンテーションのための自己ペースコントラスト学習モデルを保存する新しいマージンを提案する。
プログレッシブに洗練されたセマンティックプロトタイプの指導により、埋め込み表現空間の識別性を高めるために、コントラスト損失を減少させる新しいマージンが提案される。
クロスモーダル心セグメンテーションタスクの実験は、MPSCLが意味セグメンテーション性能を大幅に改善することを示した。
論文 参考訳（メタデータ） (2021-03-15T15:23:10Z) - 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)
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。