論文の概要: Shape-aware Meta-learning for Generalizing Prostate MRI Segmentation to Unseen Domains

• arxiv url: http://arxiv.org/abs/2007.02035v1
• Date: Sat, 4 Jul 2020 07:56:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-13 13:27:59.654433
• Title: Shape-aware Meta-learning for Generalizing Prostate MRI Segmentation to Unseen Domains
• Title（参考訳）: 形状認識型メタラーニングによる非知覚領域への前立腺mriセグメンテーションの一般化
• Authors: Quande Liu, Qi Dou, Pheng-Ann Heng
• Abstract要約: 前立腺MRIのセグメント化におけるモデル一般化を改善するために,新しい形状認識メタラーニング手法を提案する。 実験結果から,本手法は未確認領域の6つの設定すべてにおいて,最先端の一般化手法を一貫して上回っていることが明らかとなった。
• 参考スコア（独自算出の注目度）: 68.73614619875814
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Model generalization capacity at domain shift (e.g., various imaging protocols and scanners) is crucial for deep learning methods in real-world clinical deployment. This paper tackles the challenging problem of domain generalization, i.e., learning a model from multi-domain source data such that it can directly generalize to an unseen target domain. We present a novel shape-aware meta-learning scheme to improve the model generalization in prostate MRI segmentation. Our learning scheme roots in the gradient-based meta-learning, by explicitly simulating domain shift with virtual meta-train and meta-test during training. Importantly, considering the deficiencies encountered when applying a segmentation model to unseen domains (i.e., incomplete shape and ambiguous boundary of the prediction masks), we further introduce two complementary loss objectives to enhance the meta-optimization, by particularly encouraging the shape compactness and shape smoothness of the segmentations under simulated domain shift. We evaluate our method on prostate MRI data from six different institutions with distribution shifts acquired from public datasets. Experimental results show that our approach outperforms many state-of-the-art generalization methods consistently across all six settings of unseen domains.
• Abstract（参考訳）: ドメインシフト時のモデル一般化能力(例えば、様々なイメージングプロトコルやスキャナ)は、実際の臨床展開におけるディープラーニング手法に不可欠である。 本稿では,マルチドメインソースデータからモデルを学習することで,対象領域に直接一般化できるという,領域一般化の難解な問題に取り組む。 前立腺MRIのセグメント化におけるモデル一般化を改善するための新しい形状認識メタラーニング手法を提案する。 我々の学習スキームは、トレーニング中に仮想メタトレインとメタテストでドメインシフトを明示的にシミュレートすることで、勾配に基づくメタラーニングに根ざしている。 特に,未確認領域(予測マスクの不完全形状と曖昧な境界)にセグメンテーションモデルを適用する際に発生する欠陥を考慮し,シミュレートされたドメインシフトの下でのセグメンテーションの形状のコンパクト性と形状の滑らかさを特に促進することにより,メタ最適化を強化するための2つの相補的損失目標を導入する。 本手法は,公開データセットから取得した分布シフトを持つ6施設の前立腺mriデータを用いて評価する。 実験結果から,本手法は未確認領域の6つの設定すべてにおいて,最先端の一般化手法を一貫して上回ることがわかった。

関連論文リスト

• Gradient-Map-Guided Adaptive Domain Generalization for Cross Modality MRI Segmentation [14.209197648189203]
  クロスモーダルMRIセグメンテーションはコンピュータ支援医療診断において非常に有用であり、柔軟なデータ取得とモデル一般化を可能にしている。 既存のほとんどのメソッドは、ドメインシフトの局所的な変動を扱うのに困難であり、通常、トレーニングのためにかなりの量のデータを必要とする。 本稿では,画像勾配図に基づく学習自由なクロスドメイン表現を統合した適応型ドメイン一般化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-16T10:07:27Z)
• 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)
• Single-domain Generalization in Medical Image Segmentation via Test-time Adaptation from Shape Dictionary [64.5632303184502]
  ドメインの一般化は通常、モデル学習のために複数のソースドメインからのデータを必要とする。 本稿では,1つのソースドメインのみで最悪のシナリオ下でモデルを学習し,異なる未確認対象ドメインに直接一般化する,重要な単一ドメインの一般化問題について考察する。 本稿では,領域間で不変なセグメンテーションのセグメンテーション先情報を抽出し,統合する医用画像セグメンテーションにおいて,この問題に対処する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-06-29T08:46:27Z)
• Contrastive Domain Disentanglement for Generalizable Medical Image Segmentation [12.863227646939563]
  本稿では,一般的な医用画像分割のためのコントラストディスタングル・ドメイン(CDD)ネットワークを提案する。 まず、医用画像を解剖学的表現因子とモダリティ表現因子に分解する不整合ネットワークを導入する。 次に、モデル一般化学習のための新しい領域をランダムに生成できる領域拡張戦略を提案する。
  論文  参考訳（メタデータ） (2022-05-13T10:32:41Z)
• Semi-supervised Meta-learning with Disentanglement for Domain-generalised Medical Image Segmentation [15.351113774542839]
  新たなセンター(ここではドメイン)からの新しいデータにモデルを一般化することは、依然として課題である。 本稿では,絡み合いを伴う半教師付きメタラーニングフレームワークを提案する。 提案手法は,異なるセグメンテーションタスクに対して頑健であり,2つの公開ベンチマーク上での最先端の一般化性能を実現する。
  論文  参考訳（メタデータ） (2021-06-24T19:50:07Z)
• 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)
• Cluster, Split, Fuse, and Update: Meta-Learning for Open Compound Domain Adaptive Semantic Segmentation [102.42638795864178]
  セマンティックセグメンテーションのための原則的メタラーニングに基づくOCDAアプローチを提案する。 対象ドメインを複数のサブターゲットドメインに,教師なしの方法で抽出した画像スタイルでクラスタリングする。 その後、メタラーニングがデプロイされ、スタイルコードに条件付きでサブターゲットドメイン固有の予測を融合するように学習される。 モデルに依存しないメタラーニング(MAML)アルゴリズムにより,モデルをオンライン更新することを学び,一般化をさらに改善する。
  論文  参考訳（メタデータ） (2020-12-15T13:21:54Z)
• Learning to Generalize Unseen Domains via Memory-based Multi-Source Meta-Learning for Person Re-Identification [59.326456778057384]
  本稿では,メモリベースのマルチソースメタラーニングフレームワークを提案する。 また,メタテスト機能を多様化するメタバッチ正規化層(MetaBN)を提案する。 実験により、M$3$Lは、目に見えない領域に対するモデルの一般化能力を効果的に向上できることが示された。
  論文  参考訳（メタデータ） (2020-12-01T11:38:16Z)
• Domain Generalizer: A Few-shot Meta Learning Framework for Domain Generalization in Medical Imaging [23.414905586808874]
  モデルに依存しないメタラーニングフレームワークをベースとした領域一般化手法をバイオメディカルイメージングに適用する。 ドメインに依存しない特徴表現を学習し、未知のテスト分布に対するモデルの一般化を改善する。 本手法は, 画像取得プロトコル, 解剖学, スキャン対象地域, 画像解析対象地域, 画像解析対象地域, 画像解析対象地域, 画像解析対象地域, 画像解析対象地域, 画像診断対象地域, 画像診断対象地域, 画像診断対象地域, 画像診断対象地域, 画像診断対象地域, 画像診断対象地域, 画像診断対象地域, 画像診断対象地域, 画像診断対象地域, 画像診断対象地域, 画像診断対象地域, 画像診断対象地域, 画像診断対象地域, 画像診断対象地域, 画像診断
  論文  参考訳（メタデータ） (2020-08-18T03:35:56Z)
• Learning to Learn with Variational Information Bottleneck for Domain Generalization [128.90691697063616]
  ドメイン一般化モデルは、これまで見つからなかった領域に一般化することを学ぶが、予測の不確実性とドメインシフトに悩まされる。 ドメイン一般化のための確率論的メタラーニングモデルを導入し、ドメイン間で共有されるパラメータを分布としてモデル化する。 ドメインシフトに対処するため、メタ変動情報ボトルネックという提案原則を用いてドメイン不変表現を学習し、メタVIBと呼ぶ。
  論文  参考訳（メタデータ） (2020-07-15T12:05:52Z)

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。