論文の概要: Unsupervised Adversarial Domain Adaptation For Barrett's Segmentation
- arxiv url: http://arxiv.org/abs/2012.05316v1
- Date: Wed, 9 Dec 2020 20:59:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-16 04:58:44.330519
- Title: Unsupervised Adversarial Domain Adaptation For Barrett's Segmentation
- Title（参考訳）: バレット分節に対する教師なし逆行性ドメイン適応
- Authors: Numan Celik, Soumya Gupta, Sharib Ali, Jens Rittscher
- Abstract要約: 自動セグメンテーションは臨床内科医がバレットの食道領域をより正確に評価し治療するのに役立つ。
教師付きモデルは、トレーニングデータにすべてのデータ変動を組み込んだ大量の手動アノテーションを必要とします。
本稿では,unsupervised domain adaptation technique (uda) を適用することで,この問題を軽減することを目的とする。
その結果, UDA ベースのアプローチは, 従来の U-Net セグメント化を Dice 類似度係数と交差オーバーユニオンの両方で 10% 近く上回ることが示された。
- 参考スコア（独自算出の注目度）: 0.8602553195689513
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Barrett's oesophagus (BE) is one of the early indicators of esophageal
cancer. Patients with BE are monitored and undergo ablation therapies to
minimise the risk, thereby making it eminent to identify the BE area precisely.
Automated segmentation can help clinical endoscopists to assess and treat BE
area more accurately. Endoscopy imaging of BE can include multiple modalities
in addition to the conventional white light (WL) modality. Supervised models
require large amount of manual annotations incorporating all data variability
in the training data. However, it becomes cumbersome, tedious and labour
intensive work to generate manual annotations, and additionally modality
specific expertise is required. In this work, we aim to alleviate this problem
by applying an unsupervised domain adaptation technique (UDA). Here, UDA is
trained on white light endoscopy images as source domain and are well-adapted
to generalise to produce segmentation on different imaging modalities as target
domain, namely narrow band imaging and post acetic-acid WL imaging. Our dataset
consists of a total of 871 images consisting of both source and target domains.
Our results show that the UDA-based approach outperforms traditional supervised
U-Net segmentation by nearly 10% on both Dice similarity coefficient and
intersection-over-union.
- Abstract（参考訳）: バレット食道(barrett's oesophagus, be)は食道癌の早期発見例である。
BE患者をモニターし、そのリスクを最小化するためにアブレーション療法を行い、BE領域を正確に同定する。
自動セグメンテーションは臨床内科医がbe領域をより正確に評価し治療するのに役立つ。
BEの内視鏡像は、従来の白色光(WL)モードに加えて、複数のモードを含むことができる。
監視されたモデルは、トレーニングデータにすべてのデータ変数を組み込んだ大量の手動アノテーションを必要とする。
しかし、手動アノテーションを生成するのは面倒で面倒で退屈で労働集約的な作業になり、さらにモダリティ特有の専門知識が必要です。
本研究では,教師なしドメイン適応手法(UDA)を適用し,この問題を軽減することを目的とする。
ここで、udaは白色光内視鏡像をソースドメインとして訓練し、ターゲットドメインとして異なる撮像モード、すなわち狭帯域イメージングと、酢酸後wlイメージングのセグメンテーションを一般化するためによく適応している。
我々のデータセットは、ソースドメインとターゲットドメインの両方からなる合計851の画像で構成されています。
提案手法は従来の教師付きU-Netセグメンテーションよりも10%近く優れており,Diceの類似度係数と交叉オーバ・ユニオンの両面で優れていた。
関連論文リスト
- Domain Generalization for Endoscopic Image Segmentation by Disentangling Style-Content Information and SuperPixel Consistency [1.4991956341367338]
本稿では,インスタンス正規化とインスタンス選択白化(ISW)を用いて,ドメインの一般化を改善する手法を提案する。
本研究では,EndoUDA BarrettのEsophagusとEndoUDA polypsの2つのデータセットに対するアプローチを評価し,その性能を3つの最先端(SOTA)手法と比較した。
論文 参考訳（メタデータ） (2024-09-19T04:10:04Z) - ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic
Diffusion Models [69.9178140563928]
大腸内視鏡検査は臨床診断や治療に不可欠である。
注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。
本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
論文 参考訳（メタデータ） (2023-09-03T07:55:46Z) - SDC-UDA: Volumetric Unsupervised Domain Adaptation Framework for
Slice-Direction Continuous Cross-Modality Medical Image Segmentation [8.33996223844639]
SDC-UDAは,スライス指向連続型医療画像セグメンテーションのためのフレームワークである。
これは、スライス内およびスライス間自己強調画像翻訳、不確実性に制約された擬似ラベルの精細化、容積的自己訓練を組み合わせたものである。
我々は,SDC-UDAを複数の一般公開医療画像セグメンテーションデータセットで検証し,最先端セグメンテーション性能を実現する。
論文 参考訳（メタデータ） (2023-05-18T14:44:27Z) - Rethinking Semi-Supervised Medical Image Segmentation: A
Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。
まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。
5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文 参考訳（メタデータ） (2023-02-03T13:50:25Z) - Self-Supervised Correction Learning for Semi-Supervised Biomedical Image
Segmentation [84.58210297703714]
半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。
共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。
異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
論文 参考訳（メタデータ） (2023-01-12T08:19:46Z) - SUPRA: Superpixel Guided Loss for Improved Multi-modal Segmentation in
Endoscopy [1.1470070927586016]
ドメインシフトは医療画像コミュニティでよく知られた問題である。
本稿では,そのようなシナリオでDL手法が利用可能となるための領域一般化手法について検討する。
その結果,本手法では,ベースラインに比べて目標領域の20%近くの改善が得られた。
論文 参考訳（メタデータ） (2022-11-09T03:13:59Z) - 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) - EndoUDA: A modality independent segmentation approach for endoscopy
imaging [0.7874708385247353]
本稿では,変分オートエンコーダとU-Netを共通なEfficientNet-B4バックボーンに結合するUDAベースのセグメンテーション手法を提案する。
我々は,WLI(ソース)モードのみを用いてトレーニングした場合,NBI(ターゲット)モダリティを未確認のターゲットに一般化できることを示す。
論文 参考訳（メタデータ） (2021-07-12T11:57:33Z) - 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) - 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) - Collaborative Unsupervised Domain Adaptation for Medical Image Diagnosis [102.40869566439514]
我々は、Unsupervised Domain Adaptation (UDA)を通じて、対象タスクにおける学習を支援するために、関連ドメインからの豊富なラベル付きデータを活用しようとしている。
クリーンなラベル付きデータやサンプルを仮定するほとんどのUDAメソッドが等しく転送可能であるのとは異なり、協調的教師なしドメイン適応アルゴリズムを革新的に提案する。
提案手法の一般化性能を理論的に解析し,医用画像と一般画像の両方で実験的に評価する。
論文 参考訳（メタデータ） (2020-07-05T11:49:17Z)
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。