論文の概要: Test-Time Adaptable Neural Networks for Robust Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2004.04668v4
• Date: Sat, 23 Jan 2021 16:14:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-15 02:02:20.686341
• Title: Test-Time Adaptable Neural Networks for Robust Medical Image Segmentation
• Title（参考訳）: 頑健な医用画像分割のためのテスト時間適応型ニューラルネットワーク
• Authors: Neerav Karani, Ertunc Erdil, Krishna Chaitanya, and Ender Konukoglu
• Abstract要約: 畳み込みニューラルネットワーク(CNN)は、教師付き学習問題に対して非常にうまく機能する。 医用画像のセグメンテーションにおいて、この前提は、取得の詳細の観点から、トレーニング画像とテスト画像のミスマッチがある場合に違反する。 比較的浅い画像正規化CNNと、正規化画像を分割する深いCNNの2つのサブネットワークの結合としてセグメンテーションCNNを設計する。
• 参考スコア（独自算出の注目度）: 9.372152932156293
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Convolutional Neural Networks (CNNs) work very well for supervised learning problems when the training dataset is representative of the variations expected to be encountered at test time. In medical image segmentation, this premise is violated when there is a mismatch between training and test images in terms of their acquisition details, such as the scanner model or the protocol. Remarkable performance degradation of CNNs in this scenario is well documented in the literature. To address this problem, we design the segmentation CNN as a concatenation of two sub-networks: a relatively shallow image normalization CNN, followed by a deep CNN that segments the normalized image. We train both these sub-networks using a training dataset, consisting of annotated images from a particular scanner and protocol setting. Now, at test time, we adapt the image normalization sub-network for \emph{each test image}, guided by an implicit prior on the predicted segmentation labels. We employ an independently trained denoising autoencoder (DAE) in order to model such an implicit prior on plausible anatomical segmentation labels. We validate the proposed idea on multi-center Magnetic Resonance imaging datasets of three anatomies: brain, heart and prostate. The proposed test-time adaptation consistently provides performance improvement, demonstrating the promise and generality of the approach. Being agnostic to the architecture of the deep CNN, the second sub-network, the proposed design can be utilized with any segmentation network to increase robustness to variations in imaging scanners and protocols. Our code is available at: \url{https://github.com/neerakara/test-time-adaptable-neural-networks-for-domain-generalization}.
• Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)は、トレーニングデータセットがテスト時に発生するであろう変動を表す場合、教師付き学習問題に対して非常にうまく機能する。 医用画像セグメンテーションにおいて、この前提は、スキャナーモデルやプロトコルなどの取得の詳細の観点から、トレーニングとテストイメージのミスマッチがある場合に違反する。 このシナリオにおけるCNNの性能劣化は文献でよく記録されている。 この問題に対処するために,比較的浅い画像正規化CNNと,正規化画像を分割する深いCNNという,2つのサブネットワークの結合としてセグメンテーションCNNを設計する。 我々は、これらのサブネットワークの両方を、特定のスキャナとプロトコル設定からの注釈付き画像からなるトレーニングデータセットを使用してトレーニングする。 現在、テスト時には、予測されたセグメンテーションラベルに暗黙的に先行して導かれる \emph{each test image} のイメージ正規化サブネットワークに適応する。 このような暗黙の先行する解剖学的セグメンテーションラベルをモデル化するために、独立に訓練されたdenoising autoencoder (dae) を採用している。 脳、心臓、前立腺の3つの解剖学の多中心磁気共鳴画像データセットについて提案するアイデアを検証する。 提案したテスト時間適応は、継続的にパフォーマンスを改善し、アプローチの約束と汎用性を実証する。 第2のサブネットワークであるディープCNNのアーキテクチャに依存せず、任意のセグメンテーションネットワークを用いて画像スキャナやプロトコルの変動に対する堅牢性を高めることができる。 私たちのコードは、 \url{https://github.com/neerakara/test-time-adaptable-neural-networks-for-domain-generalization} で利用可能です。

関連論文リスト

• Decoupled Mixup for Generalized Visual Recognition [71.13734761715472]
  視覚認識のためのCNNモデルを学習するための新しい「デカップリング・ミクスアップ」手法を提案する。 本手法は,各画像を識別領域と雑音発生領域に分離し,これらの領域を均一に組み合わせてCNNモデルを訓練する。 実験結果から,未知のコンテキストからなるデータに対する本手法の高一般化性能を示す。
  論文  参考訳（メタデータ） (2022-10-26T15:21:39Z)
• Distilling Ensemble of Explanations for Weakly-Supervised Pre-Training of Image Segmentation Models [54.49581189337848]
  本稿では,分類データセットに基づく画像分割モデルのエンドツーエンド事前学習を可能にする手法を提案する。 提案手法は重み付きセグメンテーション学習法を利用して,重み付きセグメンテーションネットワークを事前訓練する。 実験の結果,ImageNetにソースデータセットとしてPSSLを伴って提案されたエンドツーエンドの事前トレーニング戦略が,さまざまなセグメンテーションモデルの性能向上に成功していることがわかった。
  論文  参考訳（メタデータ） (2022-07-04T13:02:32Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• CapsNet for Medical Image Segmentation [8.612958742534673]
  畳み込みニューラルネットワーク(CNN)は、コンピュータビジョンにおけるタスクの解決に成功している。 CNNは回転とアフィン変換に敏感であり、その成功は巨大なラベル付きデータセットに依存している。 CapsNetは、表現学習においてより堅牢性を達成した新しいアーキテクチャである。
  論文  参考訳（メタデータ） (2022-03-16T21:15:07Z)
• SegTransVAE: Hybrid CNN -- Transformer with Regularization for medical image segmentation [0.0]
  本稿では,SegTransVAEという新しいネットワークを提案する。 SegTransVAEはエンコーダ-デコーダアーキテクチャに基づいて構築されており、ネットワークへの可変オートエンコーダ(VAE)ブランチでトランスフォーマーを利用する。 最近導入されたデータセットの評価によると、SegTransVAEはDice Scoreと95%$-Haudorff Distanceで過去の手法より優れている。
  論文  参考訳（メタデータ） (2022-01-21T08:02:55Z)
• Semi-Supervised Medical Image Segmentation via Cross Teaching between CNN and Transformer [11.381487613753004]
  本稿では,CNN と Transformer の相互教育を導入することで,半教師付き医用画像セグメンテーションの枠組みを提案する。 特に、この研究は、CNNとトランスフォーマーを組み合わせて半教師付き医療画像セグメンテーションを行い、公的なベンチマークで有望な結果を得る最初の試みかもしれない。
  論文  参考訳（メタデータ） (2021-12-09T13:22:38Z)
• Weakly-supervised fire segmentation by visualizing intermediate CNN layers [82.75113406937194]
  画像やビデオにおける火の局所化は、火災事故に対処するための自律システムにとって重要なステップである。 我々は,ネットワークのトレーニングに画像ラベルのみを使用する,画像中の火の弱い制御セグメント化について検討する。 CNNの中間層における特徴量の平均値は,2値セグメンテーション問題である火災セグメンテーションの場合,従来のクラスアクティベーションマッピング(CAM)法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-11-16T11:56:28Z)
• Convolution-Free Medical Image Segmentation using Transformers [8.130670465411239]
  近接する画像パッチ間の自己注意に基づく別の手法が,競争的あるいはよりよい結果が得られることを示す。 提案モデルにより,3つのデータセット上でのCNNの状態よりも優れたセグメンテーション精度が得られることを示す。
  論文  参考訳（メタデータ） (2021-02-26T18:49:13Z)
• The Mind's Eye: Visualizing Class-Agnostic Features of CNNs [92.39082696657874]
  本稿では,特定のレイヤの最も情報性の高い特徴を表現した対応する画像を作成することにより,画像の集合を視覚的に解釈する手法を提案する。 本手法では, 生成ネットワークを必要とせず, 元のモデルに変更を加えることなく, デュアルオブジェクトのアクティベーションと距離損失を利用する。
  論文  参考訳（メタデータ） (2021-01-29T07:46:39Z)
• CRNet: Cross-Reference Networks for Few-Shot Segmentation [59.85183776573642]
  少ないショットセグメンテーションは、少数のトレーニングイメージを持つ新しいクラスに一般化できるセグメンテーションモデルを学ぶことを目的としている。 相互参照機構により、我々のネットワークは2つの画像に共起する物体をよりよく見つけることができる。 PASCAL VOC 2012データセットの実験は、我々のネットワークが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2020-03-24T04:55:43Z)

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。