論文の概要: Self-Attentive Spatial Adaptive Normalization for Cross-Modality Domain Adaptation

• arxiv url: http://arxiv.org/abs/2103.03781v1
• Date: Fri, 5 Mar 2021 16:22:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-08 14:42:09.821842
• Title: Self-Attentive Spatial Adaptive Normalization for Cross-Modality Domain Adaptation
• Title（参考訳）: クロスモーダル領域適応のための自己注意型空間適応正規化
• Authors: Devavrat Tomar, Manana Lortkipanidze, Guillaume Vray, Behzad Bozorgtabar, Jean-Philippe Thiran
• Abstract要約: 放射線科医の費用負担を軽減するための医用画像のクロスモダリティ合成 本稿では,教師なしまたは教師なし(非ペア画像データ)の設定が可能な医用画像における画像から画像への変換手法を提案する。
• 参考スコア（独自算出の注目度）: 9.659642285903418
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Despite the successes of deep neural networks on many challenging vision tasks, they often fail to generalize to new test domains that are not distributed identically to the training data. The domain adaptation becomes more challenging for cross-modality medical data with a notable domain shift. Given that specific annotated imaging modalities may not be accessible nor complete. Our proposed solution is based on the cross-modality synthesis of medical images to reduce the costly annotation burden by radiologists and bridge the domain gap in radiological images. We present a novel approach for image-to-image translation in medical images, capable of supervised or unsupervised (unpaired image data) setups. Built upon adversarial training, we propose a learnable self-attentive spatial normalization of the deep convolutional generator network's intermediate activations. Unlike previous attention-based image-to-image translation approaches, which are either domain-specific or require distortion of the source domain's structures, we unearth the importance of the auxiliary semantic information to handle the geometric changes and preserve anatomical structures during image translation. We achieve superior results for cross-modality segmentation between unpaired MRI and CT data for multi-modality whole heart and multi-modal brain tumor MRI (T1/T2) datasets compared to the state-of-the-art methods. We also observe encouraging results in cross-modality conversion for paired MRI and CT images on a brain dataset. Furthermore, a detailed analysis of the cross-modality image translation, thorough ablation studies confirm our proposed method's efficacy.
• Abstract（参考訳）: 多くの困難なビジョンタスクにおけるディープニューラルネットワークの成功にもかかわらず、トレーニングデータと同一に分散されていない新しいテストドメインへの一般化に失敗することが多い。 ドメイン適応は、注目すべきドメインシフトを持つクロスモダリティ医療データにとってより困難になる。 特定の注釈付きイメージングモダリティがアクセス可能でも完全でもありません。 提案手法は医用画像のクロスモダリティ合成に基づき,放射線科医のアノテーション負担を軽減し,放射線画像の領域ギャップを埋める。 本稿では,教師なしまたは教師なし(非ペア画像データ)の設定が可能な医用画像における画像から画像への変換手法を提案する。 本稿では,敵対的学習に基づいて,深層畳み込み生成ネットワークの中間活性化の学習可能な空間正規化を提案する。 従来の注意に基づく画像から画像への変換手法とは異なり,画像翻訳において幾何学的変化を処理し解剖学的構造を保存するために,補助的な意味情報の重要性を明らかにする。 我々は, マルチモーダル脳腫瘍MRI(T1/T2)データセットを, 最先端法と比較し, 欠損型MRIとCTデータ間の相互モダリティセグメンテーションにおいて, 優れた結果を得た。 また,脳データセット上でのMRI画像とCT画像の相互モダリティ変換の促進効果も観察した。 さらに,クロスモダリティ画像変換の詳細な解析を行い,提案手法の有効性を徹底的に検証した。

関連論文リスト

• ContourDiff: Unpaired Image-to-Image Translation with Structural Consistency for Medical Imaging [14.487188068402178]
  適切な翻訳のために考慮すべき領域間の構造バイアスを定量化するための新しい指標を導入する。 次に、ドメイン不変な解剖学的輪郭表現を利用する新しい画像から画像への変換アルゴリズムであるContourDiffを提案する。 腰部脊柱管拡大術と大腿部CT-to-MRIの術式について検討した。
  論文  参考訳（メタデータ） (2024-03-16T03:33:52Z)
• A2V: A Semi-Supervised Domain Adaptation Framework for Brain Vessel Segmentation via Two-Phase Training Angiography-to-Venography Translation [4.452428104996953]
  画像の異なる脳血管セグメンテーションのための半教師付きドメイン適応フレームワークを提案する。 本フレームワークは,注釈付血管造影と限られた数の血管造影に頼り,画像から画像への翻訳とセマンティックセグメンテーションを実現する。
  論文  参考訳（メタデータ） (2023-09-12T09:12:37Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• Unsupervised Image Registration Towards Enhancing Performance and Explainability in Cardiac And Brain Image Analysis [3.5718941645696485]
  モダリティ内およびモダリティ内アフィンおよび非リグイド画像登録は、臨床画像診断において必須の医用画像解析プロセスである。 本稿では、アフィンおよび非剛性変換を正確にモデル化できる教師なしディープラーニング登録手法を提案する。 本手法は,モーダリティ不変の潜在反感を学習するために,双方向のモーダリティ画像合成を行う。
  論文  参考訳（メタデータ） (2022-03-07T12:54:33Z)
• 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)
• 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)
• Segmentation-Renormalized Deep Feature Modulation for Unpaired Image Harmonization [0.43012765978447565]
  サイクル一貫性のある生成共役ネットワークは、ソースとターゲットドメイン間のイメージセットの調和に使われてきた。 これらの手法は、不安定性、コントラストの逆転、病理の難治性操作、および実際の医用画像における信頼性を制限したステガノグラフィーマッピングの傾向が強い。 解剖学的レイアウトを維持しながらスキャナ間の調和を低減するセグメンテーション正規化画像翻訳フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-11T23:53:51Z)
• 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)
• Patch-based field-of-view matching in multi-modal images for electroporation-based ablations [0.6285581681015912]
  マルチモーダルイメージングセンサーは、現在、介入治療作業フローの異なるステップに関与している。 この情報を統合するには、取得した画像間の観測された解剖の正確な空間的アライメントに依存する。 本稿では, ボクセルパッチを用いた地域登録手法が, ボクセルワイドアプローチと「グローバルシフト」アプローチとの間に優れた構造的妥協をもたらすことを示す。
  論文  参考訳（メタデータ） (2020-11-09T11:27:45Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)
• Unsupervised Bidirectional Cross-Modality Adaptation via Deeply Synergistic Image and Feature Alignment for Medical Image Segmentation [73.84166499988443]
  我々は、Synergistic Image and Feature Alignment (SIFA)と名付けられた新しい教師なしドメイン適応フレームワークを提案する。 提案するSIFAは、画像と特徴の両方の観点から、ドメインの相乗的アライメントを行う。 2つの異なるタスクに対する実験結果から,SIFA法は未ラベル対象画像のセグメンテーション性能を向上させるのに有効であることが示された。
  論文  参考訳（メタデータ） (2020-02-06T13:49:47Z)

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。