論文の概要: Histogram Matching Augmentation for Domain Adaptation with Application to Multi-Centre, Multi-Vendor and Multi-Disease Cardiac Image Segmentation

• arxiv url: http://arxiv.org/abs/2012.13871v1
• Date: Sun, 27 Dec 2020 06:14:35 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-24 20:09:12.307935
• Title: Histogram Matching Augmentation for Domain Adaptation with Application to Multi-Centre, Multi-Vendor and Multi-Disease Cardiac Image Segmentation
• Title（参考訳）: 領域適応のためのヒストグラムマッチング拡張法 : マルチセンタ、マルチベンダ、マルチダイザス心筋画像セグメンテーションへの応用
• Authors: Jun Ma
• Abstract要約: ドメインギャップを解消するためのヒストグラムマッチング(HM)データ拡張法を提案する。 具体的には,テストケースの強度分布を既存のトレーニングケースに転送するために,HMを用いて新たなトレーニングケースを生成する。 この方法はMICCAI 2020 M&Msチャレンジで評価され、左室、心筋、右心室それぞれの平均Diceスコアは0.9051、0.8405、0.8749、ハウスドルフ距離は9.996、12.49、12.68である。
• 参考スコア（独自算出の注目度）: 9.247774141419134
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Convolutional Neural Networks (CNNs) have achieved high accuracy for cardiac structure segmentation if training cases and testing cases are from the same distribution. However, the performance would be degraded if the testing cases are from a distinct domain (e.g., new MRI scanners, clinical centers). In this paper, we propose a histogram matching (HM) data augmentation method to eliminate the domain gap. Specifically, our method generates new training cases by using HM to transfer the intensity distribution of testing cases to existing training cases. The proposed method is quite simple and can be used in a plug-and-play way in many segmentation tasks. The method is evaluated on MICCAI 2020 M\&Ms challenge, and achieves average Dice scores of 0.9051, 0.8405, and 0.8749, and Hausdorff Distances of 9.996, 12.49, and 12.68 for the left ventricular, myocardium, and right ventricular, respectively. Our results rank the third place in MICCAI 2020 M\&Ms challenge. The code and trained models are publicly available at \url{https://github.com/JunMa11/HM_DataAug}.
• Abstract（参考訳）: convolutional neural networks (cnns) は、トレーニングケースとテストケースが同一分布である場合、心臓構造の分節において高い精度を達成している。 しかし、テストケースが別のドメイン(例えば、新しいMRIスキャナー、臨床センター)から来た場合、パフォーマンスは劣化する。 本稿では,領域間隙を解消するためのヒストグラムマッチング(hm)データ拡張手法を提案する。 具体的には,テストケースの強度分布を既存のトレーニングケースに転送するためにHMを用いて新たなトレーニングケースを生成する。 提案手法は非常に単純で,多くのセグメンテーションタスクにおいてプラグアンドプレイ方式で使用できる。 この方法はMICCAI 2020 M\&Msチャレンジで評価され、左室、心筋、右心室それぞれの平均Diceスコアは0.9051、0.8405、0.8749、ハウスドルフ距離は9.996、12.49、12.68である。 結果はmiccai 2020 m\&msチャレンジで3位にランクインした。 コードとトレーニングされたモデルは、 \url{https://github.com/JunMa11/HM_DataAug}で公開されている。

関連論文リスト

• Semi-Supervised Segmentation of Multi-vendor and Multi-center Cardiac MRI using Histogram Matching [0.0]
  本研究では, 左室, 右室, 心筋のセグメンテーションにラベルのないデータを活用する半教師付きセグメンテーション・セットアップを提案する。 ダイス損失を用いたクラス不均衡データ問題に対処し、教師付きモデルによりより良いダイススコアを得ることができる。 左室,右室,心筋の平均サイコロスコアは0.921,0.926,0.891である。
  論文  参考訳（メタデータ） (2023-02-22T08:23:19Z)
• Dual Multi-scale Mean Teacher Network for Semi-supervised Infection Segmentation in Chest CT Volume for COVID-19 [76.51091445670596]
  CT(Computed tomography)データから肺感染症を自動的に検出することは、COVID-19と戦う上で重要な役割を担っている。 現在の新型コロナウイルス感染症のセグメンテーションのほとんどは、主に3Dシーケンシャルな制約を欠いた2D CT画像に依存している。 既存の3次元CTセグメンテーション法では,3次元ボリュームにおける複数レベルの受容場サイズを達成できない単一スケールの表現に焦点が当てられている。
  論文  参考訳（メタデータ） (2022-11-10T13:11:21Z)
• Adapting the Mean Teacher for keypoint-based lung registration under geometric domain shifts [75.51482952586773]
  ディープニューラルネットワークは一般的に、ラベル付きトレーニングデータが多く必要であり、トレーニングデータとテストデータの間のドメインシフトに弱い。 本稿では,ラベル付きソースからラベル付きターゲットドメインへのモデルの適用により,画像登録のための幾何学的領域適応手法を提案する。 本手法は,ベースラインモデルの精度を目標データに適合させながら,ベースラインモデルの50%/47%を継続的に改善する。
  論文  参考訳（メタデータ） (2022-07-01T12:16:42Z)
• Unsupervised Domain Adaptation with Variational Approximation for Cardiac Segmentation [15.2292571922932]
  非教師なし領域適応は、医用画像セグメンテーションに有用である。 両ドメインの潜在機能を共通かつパラメータ化された変分形式に駆動する新しいフレームワークを提案する。 これは、変分オートエンコーダ(VAE)とこの変分近似の正規化に基づく2つのネットワークによって実現される。
  論文  参考訳（メタデータ） (2021-06-16T13:00:39Z)
• 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)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• Brain tumor segmentation with self-ensembled, deeply-supervised 3D U-net neural networks: a BraTS 2020 challenge solution [56.17099252139182]
  U-netのようなニューラルネットワークを用いた脳腫瘍セグメント化作業の自動化と標準化を行う。 2つの独立したモデルのアンサンブルが訓練され、それぞれが脳腫瘍のセグメンテーションマップを作成した。 我々の解は、最終試験データセットにおいて、Diceの0.79、0.89、0.84、およびHausdorffの95%の20.4、6.7、19.5mmを達成した。
  論文  参考訳（メタデータ） (2020-10-30T14:36:10Z)
• 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)
• ARPM-net: A novel CNN-based adversarial method with Markov Random Field enhancement for prostate and organs at risk segmentation in pelvic CT images [10.011212599949541]
  本研究は,CT画像の多臓器セマンティックセマンティックセグメンテーションを改善するために,新しいCNNに基づく対角深層学習法を開発することを目的とする。 MRF(Markov Random Field)拡張ネットワーク (ARPM-net) は, 対向学習方式を実装している。 モデル輪郭の精度はDice similarity coefficient (DSC), Average Hausdorff Distance (AHD), Average Surface Hausdorff Distance (ASHD), relative Volume difference (VD) を用いて測定した。
  論文  参考訳（メタデータ） (2020-08-11T02:40:53Z)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)
• How well do U-Net-based segmentation trained on adult cardiac magnetic resonance imaging data generalise to rare congenital heart diseases for surgical planning? [2.330464988780586]
  先天性心疾患(TOF)患者における肺弁置換術の適応時期は, 主に心室容積と機能に基づく。 過去数年間のいくつかの大きな課題において、U-Netアーキテクチャは提供されたデータに対して印象的な結果を示している。 しかし、臨床実践においては、個々の病理や異なるスキャナー特性から派生した画像特性を考えると、データセットはより多様である。
  論文  参考訳（メタデータ） (2020-02-10T08:50:51Z)

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。