論文の概要: MixSearch: Searching for Domain Generalized Medical Image Segmentation Architectures

• arxiv url: http://arxiv.org/abs/2102.13280v1
• Date: Fri, 26 Feb 2021 02:55:28 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-01 14:05:04.665216
• Title: MixSearch: Searching for Domain Generalized Medical Image Segmentation Architectures
• Title（参考訳）: MixSearch: ドメイン一般化医療画像分割アーキテクチャの検索
• Authors: Luyan Liu, Zhiwei Wen, Songwei Liu, Hong-Yu Zhou, Hongwei Zhu, Weicheng Xie, Linlin Shen, Kai Ma and Yefeng Zheng
• Abstract要約: 本稿では,複数領域の小規模データセットとセグメンテーションタスクを組み合わせて大規模データセットを作成する新しい手法を提案する。 新しいエンコーダデコーダ構造は、セルレベルとネットワークレベルの両方で一般化されたセグメンテーションネットワークを検索するように設計されている。 提案するMixSearchフレームワークによって生成されたネットワークは,先進的なエンコーダデコーダネットワークと比較して最先端の結果が得られる。
• 参考スコア（独自算出の注目度）: 37.232192775864576
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Considering the scarcity of medical data, most datasets in medical image analysis are an order of magnitude smaller than those of natural images. However, most Network Architecture Search (NAS) approaches in medical images focused on specific datasets and did not take into account the generalization ability of the learned architectures on unseen datasets as well as different domains. In this paper, we address this point by proposing to search for generalizable U-shape architectures on a composited dataset that mixes medical images from multiple segmentation tasks and domains creatively, which is named MixSearch. Specifically, we propose a novel approach to mix multiple small-scale datasets from multiple domains and segmentation tasks to produce a large-scale dataset. Then, a novel weaved encoder-decoder structure is designed to search for a generalized segmentation network in both cell-level and network-level. The network produced by the proposed MixSearch framework achieves state-of-the-art results compared with advanced encoder-decoder networks across various datasets.
• Abstract（参考訳）: 医学的データの希少性を考えると、医学的画像分析におけるほとんどのデータセットは、自然画像よりも桁違いに小さい。 しかし、医療画像におけるほとんどのネットワークアーキテクチャ検索(NAS)アプローチは、特定のデータセットに焦点を当てており、未知のデータセットと異なるドメインに関する学習されたアーキテクチャの一般化能力を考慮していなかった。 本稿では,複数のセグメント化タスクの医療画像と,MixSearchという名前のドメインを創造的に組み合わせた複合データセット上で,一般化可能なU字型アーキテクチャの探索を提案する。 具体的には、複数のドメインから複数の小規模データセットとセグメント化タスクを組み合わせ、大規模データセットを作成する新しいアプローチを提案する。 次に, セルレベルとネットワークレベルの両方において, 一般化セグメンテーションネットワークを探索する新しいエンコーダ・デコーダ構造を設計する。 提案したMixSearchフレームワークによって生成されたネットワークは、さまざまなデータセットにわたる高度なエンコーダデコーダネットワークと比較して、最先端の結果が得られる。

関連論文リスト

• Mixed-Query Transformer: A Unified Image Segmentation Architecture [57.32212654642384]
  既存の統合イメージセグメンテーションモデルは、複数のタスクにまたがる統一アーキテクチャを採用するが、各データセットに合わせた個別の重みを使用するか、複数のデータセットに1セットの重みを適用するが、1つのタスクに限定される。 マルチタスクとマルチデータセット画像セグメンテーションを一組の重みで統合したアーキテクチャであるMixed-Query Transformer (MQ-Former)を紹介した。
  論文  参考訳（メタデータ） (2024-04-06T01:54:17Z)
• M$^{2}$SNet: Multi-scale in Multi-scale Subtraction Network for Medical Image Segmentation [73.10707675345253]
  医用画像から多様なセグメンテーションを仕上げるマルチスケールサブトラクションネットワーク(M$2$SNet)を提案する。 本手法は,4つの異なる医用画像セグメンテーションタスクの11つのデータセットに対して,異なる評価基準の下で,ほとんどの最先端手法に対して好意的に機能する。
  論文  参考訳（メタデータ） (2023-03-20T06:26:49Z)
• Improving CT Image Segmentation Accuracy Using StyleGAN Driven Data Augmentation [42.034896915716374]
  本稿では,公開可能な大規模医療データセットをセグメント化するためのStyleGANによるアプローチを提案する。 スタイル転送はトレーニングデータセットを拡張し、新しい解剖学的音声画像を生成するために使用される。 次に、拡張データセットを使用してU-Netセグメンテーションネットワークをトレーニングし、セグメンテーション精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2023-02-07T06:34:10Z)
• High-Quality Entity Segmentation [110.55724145851725]
  CropFormerは高解像度画像におけるインスタンスレベルのセグメンテーションの難易度に対処するために設計されている。 よりきめ細かい画像とフルイメージを提供する高解像度の画像作物を融合することで、マスク予測を改善する。 CropFormerでは、難易度の高いエンティティセグメンテーションタスクで1.9ドルという大きなAP利益を達成しています。
  論文  参考訳（メタデータ） (2022-11-10T18:58:22Z)
• HASA: Hybrid Architecture Search with Aggregation Strategy for Echinococcosis Classification and Ovary Segmentation in Ultrasound Images [0.0]
  超音波(US)画像分類と分割のためのハイブリッドNASフレームワークを提案する。 本手法は、上記の米国画像分類および分割タスクに対して、より強力で軽量なモデルを生成することができる。
  論文  参考訳（メタデータ） (2022-04-14T01:43:00Z)
• Leveraging Image Complexity in Macro-Level Neural Network Design for Medical Image Segmentation [3.974175960216864]
  画像の複雑さは、与えられたデータセットに最適なものを選択するためのガイドラインとして利用できることを示す。 高複雑性データセットの場合、元のイメージ上で実行される浅いネットワークは、ダウンサンプリングされたイメージ上で実行されるディープネットワークよりもセグメンテーション結果が優れている可能性がある。
  論文  参考訳（メタデータ） (2021-12-21T09:49:47Z)
• DoFE: Domain-oriented Feature Embedding for Generalizable Fundus Image Segmentation on Unseen Datasets [96.92018649136217]
  対象ドメインに対するCNNの一般化能力を向上させるために,新しいドメイン指向特徴埋め込み(DoFE)フレームワークを提案する。 私たちのDoFEフレームワークは、マルチソースドメインから学んだ追加のドメイン事前知識で、画像機能を動的に強化します。 本フレームワークは、未確認データセットのセグメンテーション結果を満足して生成し、他の領域の一般化やネットワークの正規化手法を超越する。
  論文  参考訳（メタデータ） (2020-10-13T07:28:39Z)
• Multi-Domain Image Completion for Random Missing Input Data [17.53581223279953]
  マルチドメインデータは、異なるモダリティからの相補的な情報を利用する視覚アプリケーションで広く活用されている。 データ破損と異なるイメージングプロトコルにより、各領域のイメージの可用性は複数のデータソースによって異なる可能性がある。 実アプリケーションでランダムに欠落したドメイン(s)データを補完する一般的な手法を提案する。
  論文  参考訳（メタデータ） (2020-07-10T16:38:48Z)
• Universal Medical Image Segmentation using 3D Fabric Image Representation Encoding Networks [8.691611603448152]
  本稿では,Fabric Image Representationというネットワークを提案する。 Network (FIRENet) - 同時3Dマルチデータセットセグメンテーションのためのネットワーク。 本研究では, FIRENetを人工膝関節, 肩関節, 股関節の複数のデータセットを含む3次元普遍骨分割に適用した。
  論文  参考訳（メタデータ） (2020-06-28T11:35:23Z)
• 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)

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。