論文の概要: Unsupervised Domain Adaptation via CycleGAN for White Matter
Hyperintensity Segmentation in Multicenter MR Images
- arxiv url: http://arxiv.org/abs/2009.04985v1
- Date: Thu, 10 Sep 2020 16:48:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-20 03:20:10.204359
- Title: Unsupervised Domain Adaptation via CycleGAN for White Matter
Hyperintensity Segmentation in Multicenter MR Images
- Title（参考訳）: 多施設mr画像におけるホワイトマターハイパーインテンシティセグメンテーションのためのサイクガンによる非教師なし領域適応
- Authors: Julian Alberto Palladino, Diego Fernandez Slezak and Enzo Ferrante
- Abstract要約: 磁気共鳴画像における白色物質の過強度の定量化は、脳卒中、認知症、死亡のリスクを予測する指標となる。
過去数年間、バイオメディカルなイメージセグメンテーションに適した畳み込みニューラルネットワーク(CNN)は、このタスクにおけるこれまでのすべての技術より優れている。
本研究では,脳病変を有するマルチセンターMR画像に対して,非教師なし領域適応を行うために,CycleGAN (CycleGAN) を用いた方法について検討する。
- 参考スコア（独自算出の注目度）: 2.627822659948232
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automatic segmentation of white matter hyperintensities in magnetic resonance
images is of paramount clinical and research importance. Quantification of
these lesions serve as a predictor for risk of stroke, dementia and mortality.
During the last years, convolutional neural networks (CNN) specifically
tailored for biomedical image segmentation have outperformed all previous
techniques in this task. However, they are extremely data-dependent, and
maintain a good performance only when data distribution between training and
test datasets remains unchanged. When such distribution changes but we still
aim at performing the same task, we incur in a domain adaptation problem (e.g.
using a different MR machine or different acquisition parameters for training
and test data). In this work, we explore the use of cycle-consistent
adversarial networks (CycleGAN) to perform unsupervised domain adaptation on
multicenter MR images with brain lesions. We aim at learning a mapping function
to transform volumetric MR images between domains, which are characterized by
different medical centers and MR machines with varying brand, model and
configuration parameters. Our experiments show that CycleGAN allows us to
reduce the Jensen-Shannon divergence between MR domains, enabling automatic
segmentation with CNN models on domains where no labeled data was available.
- Abstract（参考訳）: 磁気共鳴画像における白色物質ハイパーインテンシティの自動セグメンテーションは, 臨床的, 研究的に重要である。
これらの病変の定量化は、脳卒中、認知症、死亡のリスクを予測する指標となる。
過去数年間、バイオメディカルなイメージセグメンテーションに適した畳み込みニューラルネットワーク(CNN)は、このタスクにおけるこれまでのすべての技術より優れている。
しかし、それらは極めてデータ依存であり、トレーニングとテストデータセット間のデータ分散が変わらない場合に限り、優れたパフォーマンスを維持する。
このような分散が変化しても、同じタスクの実行を目標とする場合、ドメイン適応問題(例えば、異なるMRマシンや異なる取得パラメータを使用してトレーニングやテストデータ)が発生する。
本研究では,脳病変を有するマルチセンターMR画像に対して,非教師なし領域適応を行うために,CycleGAN(CycleGAN)を用いた。
異なる医療センターと、ブランド、モデル、構成パラメータの異なるmrマシンによって特徴付けられる領域間での容積mr画像を変換するためのマッピング関数の学習を目標とする。
実験の結果,CycleGANはMR領域間のJensen-Shannon分散を低減し,ラベル付きデータがない領域でのCNNモデルによる自動セグメンテーションを可能にすることがわかった。
関連論文リスト
- Unsupervised Federated Domain Adaptation for Segmentation of MRI Images [20.206972068340843]
我々は、複数のアノテーション付きソースドメインを用いた教師なしフェデレーションドメイン適応法を開発した。
提案手法により,アノテートされていないターゲットドメインにおいて,複数のアノテートされたソースドメインからの知識の伝達が可能となる。
論文 参考訳（メタデータ） (2024-01-02T00:31:41Z) - Beyond CNNs: Exploiting Further Inherent Symmetries in Medical Image
Segmentation [21.6412682130116]
より正確な表現を学習するために、これらの固有対称性を符号化することで、新しいグループ同変セグメンテーションフレームワークを提案する。
GER-UNet(Group Equivariant Res-UNet)が通常のCNNよりも優れていることを示す。
新たに構築されたGER-UNetは、サンプルの複雑さとフィルタの冗長性を減少させる可能性を示している。
論文 参考訳（メタデータ） (2022-07-29T04:28:20Z) - Scale-Equivariant Unrolled Neural Networks for Data-Efficient
Accelerated MRI Reconstruction [33.82162420709648]
本稿では,大規模同変畳み込みニューラルネットワークを用いたニューラルネットワークの近位演算子をモデル化する。
我々のアプローチは、同じメモリ制約下での最先端のアンロールニューラルネットワークに対する強力な改善を示す。
論文 参考訳（メタデータ） (2022-04-21T23:29:52Z) - Variational Inference for Quantifying Inter-observer Variability in
Segmentation of Anatomical Structures [12.138198227748353]
ほとんどのセグメンテーション法は、単純にイメージからその単一セグメンテーションマップへのマッピングをモデル化し、アノテータの不一致を考慮に入れない。
特定のMR画像から得られる可視分割写像の分布をモデル化する新しい変分推論フレームワークを提案する。
論文 参考訳（メタデータ） (2022-01-18T16:33:33Z) - 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) - 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) - Domain-Adversarial Learning for Multi-Centre, Multi-Vendor, and
Multi-Disease Cardiac MR Image Segmentation [3.4551186283197883]
ドメイン逆学習は、ラベル付きおよび非ラベル付きデータを使用して、ドメイン不変の2D U-Netをトレーニングするために使用される。
このアプローチは、M&Msチャレンジデータセットから、目に見えない領域と見えない領域の両方で評価される。
論文 参考訳（メタデータ） (2020-08-26T19:40:55Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2020-07-24T14:02:09Z) - Unsupervised Instance Segmentation in Microscopy Images via Panoptic
Domain Adaptation and Task Re-weighting [86.33696045574692]
病理組織像における教師なし核分割のためのCycle Consistency Panoptic Domain Adaptive Mask R-CNN(CyC-PDAM)アーキテクチャを提案する。
まず,合成画像中の補助的な生成物を除去するための核塗布機構を提案する。
第二に、ドメイン識別器を持つセマンティックブランチは、パンプトレベルのドメイン適応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） (2020-05-05T11:08:26Z) - MS-Net: Multi-Site Network for Improving Prostate Segmentation with
Heterogeneous MRI Data [75.73881040581767]
本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。
当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
論文 参考訳（メタデータ） (2020-02-09T14:11:50Z) - Unsupervised Bidirectional Cross-Modality Adaptation via Deeply
Synergistic Image and Feature Alignment for Medical Image Segmentation [73.84166499988443]
我々は、Synergistic Image and Feature Alignment (SIFA)と名付けられた新しい教師なしドメイン適応フレームワークを提案する。
提案するSIFAは、画像と特徴の両方の観点から、ドメインの相乗的アライメントを行う。
2つの異なるタスクに対する実験結果から,SIFA法は未ラベル対象画像のセグメンテーション性能を向上させるのに有効であることが示された。
論文 参考訳（メタデータ） (2020-02-06T13:49:47Z)
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。