論文の概要: Towards broader generalization of deep learning methods for multiple
sclerosis lesion segmentation
- arxiv url: http://arxiv.org/abs/2012.07950v1
- Date: Mon, 14 Dec 2020 21:33:53 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-08 18:22:31.236826
- Title: Towards broader generalization of deep learning methods for multiple
sclerosis lesion segmentation
- Title（参考訳）: 多発性硬化症病変分節に対する深部学習法のより広範な一般化に向けて
- Authors: Reda Abdellah Kamraoui, Vinh-Thong Ta, Thomas Tourdias, Boris
Mansencal, Jos\'e V Manjon, Pierrick Coup\'e
- Abstract要約: DeepLesionBrain(DLB)は、ドメインシフトに堅牢で、目に見えないデータセットでうまく機能する新しいメソッドです。
DLBは、コンパクトな3D CNNの大きなアンサンブルに基づいています。
グローバル画像レベルで抽出されたジェネリックな特徴と、ローカル画像レベルで抽出された特定の特徴の両方を学びます。
- 参考スコア（独自算出の注目度）: 0.39146761527401414
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recently, segmentation methods based on Convolutional Neural Networks (CNNs)
showed promising performance in automatic Multiple Sclerosis (MS) lesions
segmentation. These techniques have even outperformed human experts in
controlled evaluation condition. However state-of-the-art approaches trained to
perform well on highly-controlled datasets fail to generalize on clinical data
from unseen datasets. Instead of proposing another improvement of the
segmentation accuracy, we propose a novel method robust to domain shift and
performing well on unseen datasets, called DeepLesionBrain (DLB). This
generalization property results from three main contributions. First, DLB is
based on a large ensemble of compact 3D CNNs. This ensemble strategy ensures a
robust prediction despite the risk of generalization failure of some individual
networks. Second, DLB includes a new image quality data augmentation to reduce
dependency to training data specificity (e.g., acquisition protocol). Finally,
to learn a more generalizable representation of MS lesions, we propose a
hierarchical specialization learning (HSL). HSL is performed by pre-training a
generic network over the whole brain, before using its weights as
initialization to locally specialized networks. By this end, DLB learns both
generic features extracted at global image level and specific features
extracted at local image level. At the time of publishing this paper, DLB is
among the Top 3 performing published methods on ISBI Challenge while using only
half of the available modalities. DLB generalization has also been compared to
other state-of-the-art approaches, during cross-dataset experiments on
MSSEG'16, ISBI challenge, and in-house datasets. DLB improves the segmentation
performance and generalization over classical techniques, and thus proposes a
robust approach better suited for clinical practice.
- Abstract（参考訳）: 近年,畳み込みニューラルネットワーク(CNN)を用いたセグメンテーション法は,自動多発性硬化症(MS)セグメンテーションにおいて有望な性能を示した。
これらの手法は、人間の専門家を制御された評価条件で上回っている。
しかし、高度に制御されたデータセットでうまく機能するように訓練された最先端のアプローチは、見えないデータセットからの臨床データを一般化することができない。
セグメンテーションの精度をさらに向上させる代わりに、ドメインシフトに頑健な新しい手法を提案し、DeepLesionBrain (DLB) と呼ばれる未知のデータセットでうまく機能する。
この一般化特性は3つの主要な貢献から生じる。
まず、DLBはコンパクトな3D CNNの大規模なアンサンブルに基づいている。
このアンサンブル戦略は、いくつかの個々のネットワークの一般化失敗のリスクにもかかわらず、堅牢な予測を保証する。
第2に、DLBは、トレーニングデータ特異性(例えば、取得プロトコル)への依存性を低減するために、新しい画像品質データ拡張を含む。
最後に,MS病変のより一般化可能な表現を学習するために,階層的特殊化学習(HSL)を提案する。
hslは脳全体にわたってジェネリックネットワークを事前トレーニングし、その重みを局所的な特殊なネットワークへの初期化として使用する。
これにより、DLBはグローバル画像レベルで抽出された一般的な特徴とローカル画像レベルで抽出された特定の特徴の両方を学習する。
本論文の発行時点では、DLBはISBI Challengeの公開方法のトップ3の1つであり、利用可能なモダリティの半分しか使用していない。
DLBの一般化は、MSSEG'16、ISBIチャレンジ、社内データセットのクロスデータセット実験において、他の最先端のアプローチと比較された。
DLBは従来の技術よりもセグメンテーション性能と一般化を改善し,臨床応用に適した堅牢なアプローチを提案する。
関連論文リスト
- Class-Imbalanced Semi-Supervised Learning for Large-Scale Point Cloud
Semantic Segmentation via Decoupling Optimization [64.36097398869774]
半教師付き学習(SSL)は大規模3Dシーン理解のための活発な研究課題である。
既存のSSLベースのメソッドは、クラス不均衡とポイントクラウドデータのロングテール分布による厳しいトレーニングバイアスに悩まされている。
本稿では,特徴表現学習と分類器を別の最適化方法で切り離してバイアス決定境界を効果的にシフトする,新しいデカップリング最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2024-01-13T04:16:40Z) - Predicting Infant Brain Connectivity with Federated Multi-Trajectory
GNNs using Scarce Data [54.55126643084341]
既存のディープラーニングソリューションには,3つの大きな制限がある。
我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。
フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
論文 参考訳（メタデータ） (2024-01-01T10:20:01Z) - Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。
我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。
多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2023-06-15T17:55:05Z) - Robust Prototypical Few-Shot Organ Segmentation with Regularized
Neural-ODEs [10.054960979867584]
正規化原始型ニューラル正規微分方程式(R-PNODE)を提案する。
R-PNODEは、表現空間に近づくために同じクラスから機能をサポートし、クエリする。
R-PNODEは,これらの攻撃に対して,敵の強靭性を高めていることを示す。
論文 参考訳（メタデータ） (2022-08-26T03:53:04Z) - 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) - Augmentation based unsupervised domain adaptation [2.304713283039168]
小さく非表現的なデータに基づいてトレーニングされたディープラーニングモデルは、トレーニングに使用されるものと異なるデータにデプロイされた場合、パフォーマンスが向上する傾向があります。
本手法は, 対向領域適応と整合性トレーニングの特性を利用して, より堅牢な適応を実現する。
論文 参考訳（メタデータ） (2022-02-23T13:06:07Z) - Self-Ensembling GAN for Cross-Domain Semantic Segmentation [107.27377745720243]
本稿では,セマンティックセグメンテーションのためのクロスドメインデータを利用した自己理解型生成逆数ネットワーク(SE-GAN)を提案する。
SE-GANでは、教師ネットワークと学生ネットワークは、意味分節マップを生成するための自己組織化モデルを構成する。
その単純さにもかかわらず、SE-GANは敵の訓練性能を大幅に向上させ、モデルの安定性を高めることができる。
論文 参考訳（メタデータ） (2021-12-15T09:50:25Z) - Quasi-Global Momentum: Accelerating Decentralized Deep Learning on
Heterogeneous Data [77.88594632644347]
ディープラーニングモデルの分散トレーニングは、ネットワーク上でデータプライバシとデバイス上での学習を可能にする重要な要素である。
現実的な学習シナリオでは、異なるクライアントのローカルデータセットに異質性が存在することが最適化の課題となる。
本稿では,この分散学習の難しさを軽減するために,運動量に基づく新しい手法を提案する。
論文 参考訳（メタデータ） (2021-02-09T11:27:14Z) - 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) - Quality-aware semi-supervised learning for CMR segmentation [2.9928692313705505]
医用画像セグメンテーションのためのディープラーニングアルゴリズムを開発する上での課題の1つは、トレーニングデータの不足である。
本稿では,下流タスクのQCを用いて,CMRセグメンテーションネットワークの高品質な出力を同定する手法を提案する。
本質的にこれは、セグメンテーションネットワーク用のSSLの変種におけるトレーニングデータの品質向上を提供する。
論文 参考訳（メタデータ） (2020-09-01T17:18:22Z) - Siloed Federated Learning for Multi-Centric Histopathology Datasets [0.17842332554022694]
本稿では,医学領域における深層学習アーキテクチャのための新しいフェデレーション学習手法を提案する。
局所統計バッチ正規化(BN)層が導入され、協調的に訓練されるが中心に固有のモデルが作られる。
本研究では,Camelyon16およびCamelyon17データセットから抽出した腫瘍組織像の分類法についてベンチマークを行った。
論文 参考訳（メタデータ） (2020-08-17T15:49:30Z)
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。