論文の概要: MS-Net: Multi-Site Network for Improving Prostate Segmentation with
Heterogeneous MRI Data
- arxiv url: http://arxiv.org/abs/2002.03366v2
- Date: Wed, 19 Feb 2020 06:21:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-02 14:53:33.399291
- Title: MS-Net: Multi-Site Network for Improving Prostate Segmentation with
Heterogeneous MRI Data
- Title（参考訳）: MS-Net:異種MRIデータによる前立腺分割改善のためのマルチサイトネットワーク
- Authors: Quande Liu, Qi Dou, Lequan Yu, Pheng Ann Heng
- Abstract要約: 本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。
当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
- 参考スコア（独自算出の注目度）: 75.73881040581767
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automated prostate segmentation in MRI is highly demanded for
computer-assisted diagnosis. Recently, a variety of deep learning methods have
achieved remarkable progress in this task, usually relying on large amounts of
training data. Due to the nature of scarcity for medical images, it is
important to effectively aggregate data from multiple sites for robust model
training, to alleviate the insufficiency of single-site samples. However, the
prostate MRIs from different sites present heterogeneity due to the differences
in scanners and imaging protocols, raising challenges for effective ways of
aggregating multi-site data for network training. In this paper, we propose a
novel multi-site network (MS-Net) for improving prostate segmentation by
learning robust representations, leveraging multiple sources of data. To
compensate for the inter-site heterogeneity of different MRI datasets, we
develop Domain-Specific Batch Normalization layers in the network backbone,
enabling the network to estimate statistics and perform feature normalization
for each site separately. Considering the difficulty of capturing the shared
knowledge from multiple datasets, a novel learning paradigm, i.e.,
Multi-site-guided Knowledge Transfer, is proposed to enhance the kernels to
extract more generic representations from multi-site data. Extensive
experiments on three heterogeneous prostate MRI datasets demonstrate that our
MS-Net improves the performance across all datasets consistently, and
outperforms state-of-the-art methods for multi-site learning.
- Abstract（参考訳）: MRIにおける前立腺自動分節はコンピュータによる診断に非常に要求される。
近年,多種多様なディープラーニング手法がこの課題において顕著な進歩を遂げており,通常は大量のトレーニングデータに依存している。
医療画像の不足の性質から,ロバストなモデルトレーニングのために複数のサイトからのデータを効果的に集約し,単一サイトサンプルの不足を軽減することが重要である。
しかし, 異なる部位の前立腺mriでは, スキャナと画像プロトコルの違いによる異種性がみられ, ネットワークトレーニングのための多地点データ集約の効果的な方法の課題が浮き彫りにされる。
本稿では,複数のデータソースを利用するロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。
異なるMRIデータセットのサイト間不均一性を補うため,ネットワークバックボーン内にドメイン特化バッチ正規化層を構築し,ネットワークが統計を推定し,各サイトの特徴正規化を別々に行えるようにした。
複数のデータセットから共有知識を取得することの難しさを考慮すると、新しい学習パラダイムであるマルチサイト誘導知識伝達(Multi-site-guided Knowledge Transfer)が提案され、カーネルがマルチサイトデータからより汎用的な表現を抽出する。
3つの異種前立腺MRIデータセットに対する大規模な実験により、MS-Netはすべてのデータセットのパフォーマンスを一貫して改善し、マルチサイト学習における最先端の手法よりも優れています。
関連論文リスト
- HEALNet: Multimodal Fusion for Heterogeneous Biomedical Data [10.774128925670183]
本稿では,フレキシブルなマルチモーダル融合アーキテクチャであるHybrid Early-fusion Attention Learning Network (HEALNet)を提案する。
The Cancer Genome Atlas (TCGA) の4つのがんデータセットにおける全スライド画像と多モードデータを用いたマルチモーダルサバイバル解析を行った。
HEALNetは、他のエンドツーエンドの訓練された融合モデルと比較して最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2023-11-15T17:06:26Z) - Self-Supervised Neuron Segmentation with Multi-Agent Reinforcement
Learning [53.00683059396803]
マスク画像モデル(MIM)は,マスク画像から元の情報を復元する簡便さと有効性から広く利用されている。
本稿では、強化学習(RL)を利用して最適な画像マスキング比とマスキング戦略を自動検索する決定に基づくMIMを提案する。
本手法は,ニューロン分節の課題において,代替自己監督法に対して有意な優位性を有する。
論文 参考訳（メタデータ） (2023-10-06T10:40:46Z) - Source-Free Collaborative Domain Adaptation via Multi-Perspective
Feature Enrichment for Functional MRI Analysis [55.03872260158717]
安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。
ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。
しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。
我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
論文 参考訳（メタデータ） (2023-08-24T01:30:18Z) - Domain Generalization with Adversarial Intensity Attack for Medical
Image Segmentation [27.49427483473792]
実世界のシナリオでは、トレーニング中に露出していない新しいドメインや異なるドメインのデータに遭遇することが一般的である。
ドメイン一般化(Domain Generalization, DG)は、モデルがこれまで見つからなかったドメインからのデータを扱うことを可能にする、有望な方向である。
本稿では,敵対的トレーニングを活用して無限のスタイルでトレーニングデータを生成する,AdverIN(Adversarial Intensity Attack)と呼ばれる新しいDG手法を提案する。
論文 参考訳（メタデータ） (2023-04-05T19:40:51Z) - 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) - Shared Space Transfer Learning for analyzing multi-site fMRI data [83.41324371491774]
マルチボクセルパターン解析(MVPA)は、タスクベース機能磁気共鳴画像(fMRI)データから予測モデルを学習する。
MVPAはよく設計された機能セットと十分なサンプルサイズで機能する。
ほとんどのfMRIデータセットはノイズが多く、高次元で、収集するのに高価で、サンプルサイズも小さい。
本稿では,新しい伝達学習手法として共有空間移動学習(SSTL)を提案する。
論文 参考訳（メタデータ） (2020-10-24T08:50:26Z) - Cross-Domain Segmentation with Adversarial Loss and Covariate Shift for
Biomedical Imaging [2.1204495827342438]
本論文は,異なるモダリティから異なるパターンと共有パターンをカプセル化することにより,ドメイン間データから堅牢な表現を学習できる新しいモデルの実現を目的とする。
正常な臨床試験で得られたCTおよびMRI肝データに対する試験は、提案したモデルが他のすべてのベースラインを大きなマージンで上回っていることを示している。
論文 参考訳（メタデータ） (2020-06-08T07:35:55Z) - M2Net: Multi-modal Multi-channel Network for Overall Survival Time
Prediction of Brain Tumor Patients [151.4352001822956]
生存時間(OS)の早期かつ正確な予測は、脳腫瘍患者に対するより良い治療計画を得るのに役立つ。
既存の予測手法は、磁気共鳴(MR)ボリュームの局所的な病変領域における放射能特性に依存している。
我々は,マルチモーダルマルチチャネルネットワーク(M2Net)のエンドツーエンドOS時間予測モデルを提案する。
論文 参考訳（メタデータ） (2020-06-01T05:21:37Z) - Multi-site fMRI Analysis Using Privacy-preserving Federated Learning and
Domain Adaptation: ABIDE Results [13.615292855384729]
高品質なディープラーニングモデルを訓練するには,大量の患者情報を集める必要がある。
患者データのプライバシを保護する必要があるため、複数の機関から中央データベースを組み立てることは困難である。
フェデレート・ラーニング(Federated Learning)は、エンティティのデータを集中化せずに、人口レベルのモデルをトレーニングすることを可能にする。
論文 参考訳（メタデータ） (2020-01-16T04:49:33Z)
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。