論文の概要: Studying Robustness of Semantic Segmentation under Domain Shift in cardiac MRI

• arxiv url: http://arxiv.org/abs/2011.07592v1
• Date: Sun, 15 Nov 2020 17:50:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-25 07:41:40.144948
• Title: Studying Robustness of Semantic Segmentation under Domain Shift in cardiac MRI
• Title（参考訳）: 心臓MRIにおける領域シフト下におけるセマンティックセグメンテーションのロバスト性の検討
• Authors: Peter M. Full, Fabian Isensee, Paul F. J\"ager, and Klaus Maier-Hein
• Abstract要約: 複数の臨床センターやスキャナーベンダーからの画像間でのドメイン転送の課題と機会について検討する。 本研究では、nnU-netフレームワークによって構成された固定されたU-Netアーキテクチャに基づいて、様々なデータ拡張手法とバッチ正規化層について検討する。
• 参考スコア（独自算出の注目度）: 0.8858288982748155
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cardiac magnetic resonance imaging (cMRI) is an integral part of diagnosis in many heart related diseases. Recently, deep neural networks have demonstrated successful automatic segmentation, thus alleviating the burden of time-consuming manual contouring of cardiac structures. Moreover, frameworks such as nnU-Net provide entirely automatic model configuration to unseen datasets enabling out-of-the-box application even by non-experts. However, current studies commonly neglect the clinically realistic scenario, in which a trained network is applied to data from a different domain such as deviating scanners or imaging protocols. This potentially leads to unexpected performance drops of deep learning models in real life applications. In this work, we systematically study challenges and opportunities of domain transfer across images from multiple clinical centres and scanner vendors. In order to maintain out-of-the-box usability, we build upon a fixed U-Net architecture configured by the nnU-net framework to investigate various data augmentation techniques and batch normalization layers as an easy-to-customize pipeline component and provide general guidelines on how to improve domain generalizability abilities in existing deep learning methods. Our proposed method ranked first at the Multi-Centre, Multi-Vendor & Multi-Disease Cardiac Image Segmentation Challenge (M&Ms).
• Abstract（参考訳）: 心臓磁気共鳴画像(cMRI)は多くの心臓疾患において診断の不可欠な部分である。 近年,ディープニューラルネットは自動セグメンテーションを成功させ,心構造の時間を要する手作業の負担を軽減している。 さらに、nnU-Netのようなフレームワークは、未確認のデータセットに完全に自動的なモデル構成を提供し、非専門家でも使えるようにしている。 しかし、近年の研究では、スキャナやイメージングプロトコルのずれなど、異なる領域のデータにトレーニング済みのネットワークを適用するという、臨床的に現実的なシナリオは無視されている。 これは、現実のアプリケーションにおけるディープラーニングモデルの予期せぬパフォーマンス低下につながる可能性がある。 本研究では,複数の臨床センターやスキャナーベンダーの画像間でのドメイン転送の課題と機会を体系的に検討する。 既定のユーザビリティを維持するために,nnu-netフレームワークによって構成された固定u-netアーキテクチャを基盤として,さまざまなデータ拡張技術とバッチ正規化レイヤを,容易にカスタマイズ可能なパイプラインコンポーネントとして調査し,既存のディープラーニング手法におけるドメイン一般化能力を改善するための一般的なガイドラインを提供する。 提案手法はm&m(multi-centre, multi-vendor & multi-disease heart image segmentation challenge)の1位である。

関連論文リスト

• Modality-agnostic Domain Generalizable Medical Image Segmentation by Multi-Frequency in Multi-Scale Attention [1.1155836879100416]
  医用画像セグメンテーションのためのModality-Agnostic Domain Generalizable Network (MADGNet)を提案する。 MFMSAブロックは空間的特徴抽出の過程を洗練させる。 E-SDMは、深い監督を伴うマルチタスク学習における情報損失を軽減する。
  論文  参考訳（メタデータ） (2024-05-10T07:34:36Z)
• InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal Artifact Reduction in CT Images [53.4351366246531]
  InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。 異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2021-12-23T15:52:37Z)
• Domain Generalization on Medical Imaging Classification using Episodic Training with Task Augmentation [62.49837463676111]
  本稿では,医用画像分類におけるタスク強化によるエピソードトレーニングの新たな手法を提案する。 実際の医療展開において、限られた数のソースドメインによって動機付けられ、ユニークなタスクレベルのオーバーフィッティングを検討します。
  論文  参考訳（メタデータ） (2021-06-13T03:56:59Z)
• Anatomy-guided Multimodal Registration by Learning Segmentation without Ground Truth: Application to Intraprocedural CBCT/MR Liver Segmentation and Registration [12.861503169117208]
  マルチモーダル画像登録は、診断医療画像と画像誘導介入に多くの応用がある。 周術期獲得診断画像を周術期内環境に登録する能力は、周術期内腫瘍ターゲティングを改善する可能性がある。 対象のモダリティ基礎真理を含まないセグメンテーション学習のためのセグメンテーションネットワーク(APA2Seg-Net)に対する解剖学的保護ドメイン適応を提案する。
  論文  参考訳（メタデータ） (2021-04-14T18:07:03Z)
• Multimodal Transfer Learning-based Approaches for Retinal Vascular Segmentation [2.672151045393935]
  網膜微小循環の研究は、高血圧や糖尿病などの多くの眼疾患および全身疾患の分析において重要な問題です。 FCNはイメージセグメンテーションにおける最も成功したアプローチである。 本研究では,網膜血管セグメンテーションに対するマルチモーダルトランスファー学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2020-12-18T10:38:35Z)
• 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)
• Domain Generalization for Medical Imaging Classification with Linear-Dependency Regularization [59.5104563755095]
  本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。 医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
  論文  参考訳（メタデータ） (2020-09-27T12:30:30Z)
• 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)
• 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)
• Unpaired Multi-modal Segmentation via Knowledge Distillation [77.39798870702174]
  本稿では,不対向画像分割のための新しい学習手法を提案する。 提案手法では,CTおよびMRI間での畳み込みカーネルの共有により,ネットワークパラメータを多用する。 我々は2つの多クラスセグメンテーション問題に対するアプローチを広範囲に検証した。
  論文  参考訳（メタデータ） (2020-01-06T20:03:17Z)

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。