論文の概要: Disentangled Representations for Domain-generalized Cardiac Segmentation
- arxiv url: http://arxiv.org/abs/2008.11514v1
- Date: Wed, 26 Aug 2020 12:20:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-24 22:03:43.978140
- Title: Disentangled Representations for Domain-generalized Cardiac Segmentation
- Title（参考訳）: 領域一般化心臓セグメンテーションのためのアンタングル表現
- Authors: Xiao Liu, Spyridon Thermos, Agisilaos Chartsias, Alison O'Neil and
Sotirios A. Tsaftaris
- Abstract要約: Resolution Augmentation" 法では,異なるスキャナープロトコルにまたがる範囲内で,画像を異なる解像度に再スケールすることで,より多様なデータを生成する。
因子ベース拡張法は,元のサンプルを非絡み合った潜在空間に投影することで,より多様なデータを生成する。
本実験は,視覚領域と見えない領域間の効率的な適応とモデル一般化能力の重要性を実証するものである。
- 参考スコア（独自算出の注目度）: 19.108784219423377
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Robust cardiac image segmentation is still an open challenge due to the
inability of the existing methods to achieve satisfactory performance on unseen
data of different domains. Since the acquisition and annotation of medical data
are costly and time-consuming, recent work focuses on domain adaptation and
generalization to bridge the gap between data from different populations and
scanners. In this paper, we propose two data augmentation methods that focus on
improving the domain adaptation and generalization abilities of
state-to-the-art cardiac segmentation models. In particular, our "Resolution
Augmentation" method generates more diverse data by rescaling images to
different resolutions within a range spanning different scanner protocols.
Subsequently, our "Factor-based Augmentation" method generates more diverse
data by projecting the original samples onto disentangled latent spaces, and
combining the learned anatomy and modality factors from different domains. Our
extensive experiments demonstrate the importance of efficient adaptation
between seen and unseen domains, as well as model generalization ability, to
robust cardiac image segmentation.
- Abstract（参考訳）: 異なる領域の未確認データに対して,既存の手法が良好な性能を達成できないため,ロバスト心画像分割は依然として未解決の課題である。
医療データの取得とアノテーションは費用と時間を要するため、最近の研究は、異なる集団とスキャナーのデータ間のギャップを埋めるために、ドメイン適応と一般化に焦点を当てている。
本稿では、最先端心臓セグメンテーションモデルのドメイン適応と一般化能力の向上に焦点を当てた2つのデータ拡張手法を提案する。
特に,画像の解像度を異なるスキャナープロトコルの範囲内で異なる解像度に再スケーリングすることで,より多様なデータを生成する。
その後,本手法では,元のサンプルを有界空間に投影し,異なる領域から学習された解剖学とモダリティの要素を組み合わせることにより,より多様なデータを生成する。
広範な実験により,ロバストな心臓画像セグメンテーションを実現するためのモデル一般化能力だけでなく,見えない領域と未知領域の効率的な適応の重要性が実証された。
関連論文リスト
- Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。
半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文 参考訳（メタデータ） (2023-12-26T12:56:31Z) - Interpretability-guided Data Augmentation for Robust Segmentation in
Multi-centre Colonoscopy Data [0.4915744683251151]
本稿では,解釈可能性のサリエンシマップを中心にした,革新的なデータ拡張手法を提案する。
提案手法は,異なるセグメンテーションモデルとドメイン間のロバスト性の向上を実証する。
論文 参考訳（メタデータ） (2023-08-30T09:03:28Z) - Curriculum-Based Augmented Fourier Domain Adaptation for Robust Medical
Image Segmentation [18.830738606514736]
本研究は、堅牢な医用画像分割のためのカリキュラムベースの拡張フーリエドメイン適応(Curri-AFDA)を提案する。
特に、カリキュラム学習戦略は、異なるレベルのデータシフトの下でのモデルの因果関係に基づいている。
複数のサイトやスキャナーから収集した網膜と核の2つのセグメンテーションタスクの実験から,提案手法が優れた適応と一般化性能をもたらすことが示唆された。
論文 参考訳（メタデータ） (2023-06-06T08:56:58Z) - 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) - AADG: Automatic Augmentation for Domain Generalization on Retinal Image
Segmentation [1.0452185327816181]
AADG(Automated Augmentation for Domain Generalization)と呼ばれるデータ操作に基づくドメイン一般化手法を提案する。
我々のAADGフレームワークは、新しいドメインを生成するデータ拡張ポリシーを効果的にサンプリングすることができる。
提案するAADGは,最先端の一般化性能を示し,既存手法より優れている。
論文 参考訳（メタデータ） (2022-07-27T02:26:01Z) - 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) - Consistency and Diversity induced Human Motion Segmentation [231.36289425663702]
本稿では,CDMS(Consistency and Diversity induced Human Motion)アルゴリズムを提案する。
我々のモデルは、ソースとターゲットデータを異なる多層特徴空間に分解する。
ソースとターゲットデータ間の領域ギャップを低減するために、マルチミューチュアル学習戦略を実行する。
論文 参考訳（メタデータ） (2022-02-10T06:23:56Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳（メタデータ） (2020-12-10T04:01:07Z) - Shape-aware Meta-learning for Generalizing Prostate MRI Segmentation to
Unseen Domains [68.73614619875814]
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。
論文 参考訳（メタデータ） (2020-07-04T07:56:02Z) - Pathological Retinal Region Segmentation From OCT Images Using Geometric
Relation Based Augmentation [84.7571086566595]
本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。
提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
論文 参考訳（メタデータ） (2020-03-31T11:50:43Z)
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。