論文の概要: Learning joint segmentation of tissues and brain lesions from
task-specific hetero-modal domain-shifted datasets
- arxiv url: http://arxiv.org/abs/2009.04009v1
- Date: Tue, 8 Sep 2020 22:00:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-20 21:40:05.948905
- Title: Learning joint segmentation of tissues and brain lesions from
task-specific hetero-modal domain-shifted datasets
- Title（参考訳）: task-specific hetero-modal domain-shifted datasetsによる組織と脳病変の学習関節分節化
- Authors: Reuben Dorent, Thomas Booth, Wenqi Li, Carole H. Sudre, Sina
Kafiabadi, Jorge Cardoso, Sebastien Ourselin, Tom Vercauteren
- Abstract要約: 本稿では,タスク固有のデータセットから関節組織と病変のセグメンテーションモデルを構築するための新しい手法を提案する。
予測されるリスクがどのように分解され、経験的に最適化されるかを示す。
それぞれのタスクに対して、我々のジョイントアプローチはタスク固有のモデルと完全に教師されたモデルに匹敵するパフォーマンスを達成します。
- 参考スコア（独自算出の注目度）: 6.049813979681482
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Brain tissue segmentation from multimodal MRI is a key building block of many
neuroimaging analysis pipelines. Established tissue segmentation approaches
have, however, not been developed to cope with large anatomical changes
resulting from pathology, such as white matter lesions or tumours, and often
fail in these cases. In the meantime, with the advent of deep neural networks
(DNNs), segmentation of brain lesions has matured significantly. However, few
existing approaches allow for the joint segmentation of normal tissue and brain
lesions. Developing a DNN for such a joint task is currently hampered by the
fact that annotated datasets typically address only one specific task and rely
on task-specific imaging protocols including a task-specific set of imaging
modalities. In this work, we propose a novel approach to build a joint tissue
and lesion segmentation model from aggregated task-specific hetero-modal
domain-shifted and partially-annotated datasets. Starting from a variational
formulation of the joint problem, we show how the expected risk can be
decomposed and optimised empirically. We exploit an upper bound of the risk to
deal with heterogeneous imaging modalities across datasets. To deal with
potential domain shift, we integrated and tested three conventional techniques
based on data augmentation, adversarial learning and pseudo-healthy generation.
For each individual task, our joint approach reaches comparable performance to
task-specific and fully-supervised models. The proposed framework is assessed
on two different types of brain lesions: White matter lesions and gliomas. In
the latter case, lacking a joint ground-truth for quantitative assessment
purposes, we propose and use a novel clinically-relevant qualitative assessment
methodology.
- Abstract（参考訳）: マルチモーダルMRIからの脳組織分割は多くの神経画像解析パイプラインの重要な構成要素である。
しかし,白質病変や腫瘍などの病理所見から生じる大きな解剖学的変化に対処するために確立された組織分節法は開発されておらず,これらの症例では失敗することが多い。
一方,深層ニューラルネットワーク(dnn)の出現に伴い,脳病変の分節化が著しく進展している。
しかし、既存のアプローチはほとんどなく、正常な組織と脳病変の関節分割が可能である。
このような共同タスクのためのDNNの開発は、注釈付きデータセットが通常1つの特定のタスクにのみ対応し、タスク固有の画像モダリティセットを含むタスク固有のイメージングプロトコルに依存するという事実によって、現在妨げられている。
本研究では,タスク固有のヘテロモーダルドメインシフトおよび部分注釈付きデータセットから関節組織および病変区分モデルを構築するための新しい手法を提案する。
共同問題の変分的定式化から始めて,期待されるリスクを分解し,経験的に最適化する方法を示す。
リスクの上限を利用して、データセットにまたがる異種画像モダリティに対処します。
潜在的なドメインシフトに対処するために,データ拡張,逆学習,擬似健康生成という3つの手法を統合し,テストを行った。
それぞれのタスクに対して、我々のジョイントアプローチはタスク固有のモデルと完全に教師されたモデルに匹敵するパフォーマンスを達成します。
提案した枠組みは、白質病変とグリオーマの2種類の脳病変で評価されている。
後者では, 定量的評価のための共同基盤構造が欠如しているため, 臨床関連質的評価手法を提案する。
関連論文リスト
- KA$^2$ER: Knowledge Adaptive Amalgamation of ExpeRts for Medical Images Segmentation [5.807887214293438]
本稿では,多元的基礎モデルを学習し,複数のエキスパートモデルの協調的な目標に対処することを目的としたアダプティブ・アマルガメーション・ナレッジ・フレームワークを提案する。
特に、まず、各タスクに対してnnUNetベースのエキスパートモデルをトレーニングし、トレーニング済みのSwinUNTERをターゲット基盤モデルとして再利用する。
隠蔽層内の階層的アテンション機構は、すべての専門家の隠蔽層の特徴知識にターゲットモデルの適応的なマージを実現するように設計されている。
論文 参考訳（メタデータ） (2024-10-28T14:49:17Z) - A Foundation Model for Brain Lesion Segmentation with Mixture of Modality Experts [3.208907282505264]
本稿では3次元脳病変分割のための普遍的基礎モデルを提案する。
我々は,様々な画像モダリティに対応する複数のエキスパートネットワークを備えた,新しいMixture of Modality Experts (MoME) フレームワークを定式化する。
我々のモデルは最先端のユニバーサルモデルより優れており、目に見えないデータセットに有望な一般化を提供する。
論文 参考訳（メタデータ） (2024-05-16T16:49:20Z) - QUBIQ: Uncertainty Quantification for Biomedical Image Segmentation Challenge [93.61262892578067]
医用画像分割作業の不確実性、特にラター間変動性は重要な課題である。
この可変性は、自動セグメンテーションアルゴリズムの開発と評価に直接影響を及ぼす。
バイオメディカル画像量化チャレンジ(QUBIQ)における不確実性の定量化のベンチマーク結果を報告する。
論文 参考訳（メタデータ） (2024-03-19T17:57:24Z) - Pain level and pain-related behaviour classification using GRU-based
sparsely-connected RNNs [61.080598804629375]
慢性的な痛みを持つ人は、特定の身体の動きを無意識に適応させ、怪我や追加の痛みから身を守る。
この相関関係を分析するための専用のベンチマークデータベースが存在しないため、日々の行動に影響を及ぼす可能性のある特定の状況の1つを検討した。
我々は、複数のオートエンコーダを組み込んだゲートリカレントユニット(GRU)と疎結合なリカレントニューラルネットワーク(s-RNN)のアンサンブルを提案した。
本手法は,痛みレベルと痛み関連行動の両方の分類において,最先端のアプローチよりも優れていることを示すいくつかの実験を行った。
論文 参考訳（メタデータ） (2022-12-20T12:56:28Z) - Generalizable multi-task, multi-domain deep segmentation of sparse
pediatric imaging datasets via multi-scale contrastive regularization and
multi-joint anatomical priors [0.41998444721319217]
本稿では,複数のデータセットに対して単一セグメンテーションネットワークを最適化する,新しいマルチタスク・マルチドメイン学習フレームワークを提案する。
足関節, 膝関節, 肩関節の3つの軽度, 小児画像データセットを用いた骨分節術の成績について検討した。
論文 参考訳（メタデータ） (2022-07-27T12:59:16Z) - Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。
中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。
on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
論文 参考訳（メタデータ） (2022-01-07T07:46:01Z) - Modality Completion via Gaussian Process Prior Variational Autoencoders
for Multi-Modal Glioma Segmentation [75.58395328700821]
本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。
MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。
4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
論文 参考訳（メタデータ） (2021-07-07T19:06:34Z) - ACN: Adversarial Co-training Network for Brain Tumor Segmentation with
Missing Modalities [26.394130795896704]
本稿では,この問題を解決するために,新たにACN(Adversarial Co-Training Network)を提案する。
ACNは、相互のドメインを補うために、完全なモダリティと欠落したモダリティの両方に複合的な学習プロセスを可能にする。
提案手法は, 欠落した状況下において, 全ての最先端手法を著しく上回っている。
論文 参考訳（メタデータ） (2021-06-28T11:53:11Z) - 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) - Robust Multimodal Brain Tumor Segmentation via Feature Disentanglement
and Gated Fusion [71.87627318863612]
画像モダリティの欠如に頑健な新しいマルチモーダルセグメンテーションフレームワークを提案する。
我々のネットワークは、入力モードをモダリティ固有の外観コードに分解するために、特徴不整合を用いる。
我々は,BRATSチャレンジデータセットを用いて,重要なマルチモーダル脳腫瘍セグメンテーション課題に対する本手法の有効性を検証した。
論文 参考訳（メタデータ） (2020-02-22T14:32:04Z)
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。