論文の概要: Image-level Harmonization of Multi-Site Data using Image-and-Spatial
Transformer Networks
- arxiv url: http://arxiv.org/abs/2006.16741v1
- Date: Tue, 30 Jun 2020 12:58:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-15 06:04:39.001867
- Title: Image-level Harmonization of Multi-Site Data using Image-and-Spatial
Transformer Networks
- Title(参考訳): 画像・空間変換器ネットワークを用いたマルチサイトデータの高調波化
- Authors: R. Robinson, Q. Dou, D.C. Castro, K. Kamnitsas, M. de Groot, R.M.
Summers, D. Rueckert, B. Glocker
- Abstract要約: 我々は画像・空間変換ネットワーク(ISTN)を用いて医療画像データの領域シフトに取り組む。
画像レベルでのドメイン適応には ISTN を用いており、その変換は説明可能な外観や形状変化に制約される。
実データ検証のために,Cam-CANとUK Biobankによる2つの脳MRIデータセットを構築した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We investigate the use of image-and-spatial transformer networks (ISTNs) to
tackle domain shift in multi-site medical imaging data. Commonly, domain
adaptation (DA) is performed with little regard for explainability of the
inter-domain transformation and is often conducted at the feature-level in the
latent space. We employ ISTNs for DA at the image-level which constrains
transformations to explainable appearance and shape changes. As
proof-of-concept we demonstrate that ISTNs can be trained adversarially on a
classification problem with simulated 2D data. For real-data validation, we
construct two 3D brain MRI datasets from the Cam-CAN and UK Biobank studies to
investigate domain shift due to acquisition and population differences. We show
that age regression and sex classification models trained on ISTN output
improve generalization when training on data from one and testing on the other
site.
- Abstract(参考訳): マルチサイト医療画像データにおける領域シフトに取り組むために,画像・空間変換ネットワーク(ISTN)を用いて検討した。
一般的に、ドメイン適応(DA)はドメイン間変換の説明可能性はほとんど考慮されず、しばしば潜在領域の機能レベルで実行される。
画像レベルでは,説明可能な外観や形状変化に変換を制約する ISTN を用いる。
概念実証として, シミュレーション2次元データを用いた分類問題に対して, ISTNを逆向きに訓練できることを示す。
実データ検証のために,Cam-CANとBritish Biobankによる2つの3次元脳MRIデータセットを構築し,取得と人口差による領域シフトを調査した。
istn出力でトレーニングされた年齢回帰モデルと性別分類モデルによって、あるサイトからのデータをトレーニングし、別のサイトでテストする場合の一般化が向上することが示された。
関連論文リスト
- Learning General-Purpose Biomedical Volume Representations using Randomized Synthesis [9.355513913682794]
現在のバイオメディカルファンデーションモデルは、パブリックな3Dデータセットが小さいため、一般化に苦慮している。
本稿では,新しいバイオメディカルコンテキストへの一般化を可能にする,高度に可変なトレーニングサンプルを合成するデータエンジンを提案する。
次に, ボクセルレベルのタスクに対して1つの3Dネットワークをトレーニングするために, データエンジンでシミュレートされたニュアンス画像の変動に対して, ネットワークが安定であるように事前訓練するコントラスト学習手法を開発した。
論文 参考訳(メタデータ) (2024-11-04T18:40:46Z) - M2OST: Many-to-one Regression for Predicting Spatial Transcriptomics from Digital Pathology Images [16.19308597273405]
病理画像の階層構造に対応する多対一回帰変換器M2OSTを提案する。
1対1のイメージラベルペアで訓練された従来のモデルとは異なり、M2OSTはデジタル病理画像の異なるレベルからの複数の画像を使用して、共通の対応する領域における遺伝子発現を共同で予測する。
M2OSTはパラメータが少なく、浮動小数点演算(FLOP)で最先端のパフォーマンスを実現することができる
論文 参考訳(メタデータ) (2024-09-23T15:06:37Z) - Cross-domain and Cross-dimension Learning for Image-to-Graph Transformers [48.74331852418905]
直接画像からグラフへの変換は、1つのモデルで物体の検出と関係予測を解くことを伴う課題である。
このタスクの複雑さのため、多くのドメインで大規模なトレーニングデータセットはまれであり、ディープラーニングメソッドのトレーニングを困難にしている。
画像-グラフ変換器のクロスドメインおよびクロス次元学習を可能にする一連の手法を提案する。
論文 参考訳(メタデータ) (2024-03-11T10:48:56Z) - SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion
Classification Using 3D Multi-Phase Imaging [59.78761085714715]
本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。
提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。
科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
論文 参考訳(メタデータ) (2024-02-27T06:32:56Z) - IGUANe: a 3D generalizable CycleGAN for multicenter harmonization of brain MR images [0.0]
画像翻訳のための深層学習手法が, MR画像との調和のためのソリューションとして登場した。
本研究では,ドメイン翻訳の強みを生かしたオリジナル3DモデルIGUANeを紹介する。
ドメインペアに基づくフレームワークは、サイト関連と生物学的変動の混同を防止するサンプリング戦略の実装を可能にする。
論文 参考訳(メタデータ) (2024-02-05T17:38:49Z) - Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。
提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。
提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
論文 参考訳(メタデータ) (2023-03-17T18:00:27Z) - 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) - 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) - Self-Attentive Spatial Adaptive Normalization for Cross-Modality Domain
Adaptation [9.659642285903418]
放射線科医の費用負担を軽減するための医用画像のクロスモダリティ合成
本稿では,教師なしまたは教師なし(非ペア画像データ)の設定が可能な医用画像における画像から画像への変換手法を提案する。
論文 参考訳(メタデータ) (2021-03-05T16:22:31Z) - Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
論文 参考訳(メタデータ) (2020-10-14T16:50:50Z)
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。