論文の概要: Consistent Posterior Distributions under Vessel-Mixing: A Regularization for Cross-Domain Retinal Artery/Vein Classification

• arxiv url: http://arxiv.org/abs/2103.09097v1
• Date: Tue, 16 Mar 2021 14:18:35 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-17 17:09:11.626649
• Title: Consistent Posterior Distributions under Vessel-Mixing: A Regularization for Cross-Domain Retinal Artery/Vein Classification
• Title（参考訳）: 血管ミキシングにおける連続した後部分布:クロスドメイン網膜/静脈分類の規則化
• Authors: Chenxin Li, Yunlong Zhang, Zhehan Liang, Wenao Ma, Yue Huang, Xinghao Ding
• Abstract要約: 網膜A/V分類におけるクロスドメイン学習のための船舶混合型整合性正規化フレームワークを提案する。 提案手法は,対象ドメインに対する教師付き学習によって得られる上界に近い,最先端のクロスドメイン性能を実現する。
• 参考スコア（独自算出の注目度）: 30.30848090813239
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Retinal artery/vein (A/V) classification is a critical technique for diagnosing diabetes and cardiovascular diseases. Although deep learning based methods achieve impressive results in A/V classification, their performances usually degrade severely when being directly applied to another database, due to the domain shift, e.g., caused by the variations in imaging protocols. In this paper, we propose a novel vessel-mixing based consistency regularization framework, for cross-domain learning in retinal A/V classification. Specially, to alleviate the severe bias to source domain, based on the label smooth prior, the model is regularized to give consistent predictions for unlabeled target-domain inputs that are under perturbation. This consistency regularization implicitly introduces a mechanism where the model and the perturbation is opponent to each other, where the model is pushed to be robust enough to cope with the perturbation. Thus, we investigate a more difficult opponent to further inspire the robustness of model, in the scenario of retinal A/V, called vessel-mixing perturbation. Specially, it effectively disturbs the fundus images especially the vessel structures by mixing two images regionally. We conduct extensive experiments on cross-domain A/V classification using four public datasets, which are collected by diverse institutions and imaging devices. The results demonstrate that our method achieves the state-of-the-art cross-domain performance, which is also close to the upper bound obtained by fully supervised learning on target domain.
• Abstract（参考訳）: 網膜動脈/vein (a/v) 分類は糖尿病と心血管疾患の診断に重要な技術である。 ディープラーニングベースの手法はa/v分類において印象的な結果が得られたが、その性能は通常、画像プロトコルのバリエーションなどによるドメインシフトによって、他のデータベースに直接適用した場合に著しく低下する。 本稿では,網膜a/v分類におけるクロスドメイン学習のための新しい容器混合型一貫性正規化フレームワークを提案する。 特に、ラベルのスムーズな事前に基づくソースドメインへの深刻なバイアスを軽減するため、このモデルは、摂動状態にある未ラベルのターゲットドメイン入力に対して一貫した予測を与えるように正規化されている。 この一貫性の規則化は暗黙的に、モデルと摂動が互いに対向するメカニズムを導入する。 そこで本研究では,血管混合摂動と呼ばれる網膜a/vのシナリオにおいて,モデルのロバスト性をさらに高めるためのより難しい相手について検討する。 特に,2つの画像を局所的に混合することにより,底部画像,特に血管構造を効果的に妨害する。 様々な機関や撮像装置から収集した4つの公開データセットを用いて,クロスドメインa/v分類に関する広範な実験を行う。 その結果,本手法は,対象ドメインに対する教師付き学習によって得られる上限に近い,最先端のクロスドメイン性能を実現することを示す。

関連論文リスト

• Generalizing to Unseen Domains in Diabetic Retinopathy with Disentangled Representations [32.7667209371645]
  既存のモデルは、ドメインシフトのため、目に見えないドメインで顕著なパフォーマンス劣化を経験します。 本稿では,異なるドメインのペアデータの表現をセマンティックな特徴とドメインノイズに分離する新しいフレームワークを提案する。 結果として得られる拡張表現は、他のドメインからの独自の網膜意味論とドメインノイズを含み、実際の臨床ニーズに合わせて拡張表現を生成することを目的としている。
  論文  参考訳（メタデータ） (2024-06-10T15:43:56Z)
• Enhancing AI Diagnostics: Autonomous Lesion Masking via Semi-Supervised Deep Learning [1.4053129774629076]
  本研究では,乳房超音波(US)画像における乳房病変の鑑別を目的とした,関心領域(ROI)を自律的に生成することを目的とした,教師なし領域適応手法を提案する。 我々の半教師付き学習アプローチは、真のアノテーションを持つ小さな母乳USデータセットで訓練された原始モデルを利用する。 このモデルはドメイン適応タスクのために反復的に洗練され、当社のプライベートな無注釈乳房データセットに擬似マスクを生成します。
  論文  参考訳（メタデータ） (2024-04-18T18:25:00Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、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） (2023-12-11T18:38:28Z)
• Adaptive Face Recognition Using Adversarial Information Network [57.29464116557734]
  顔認識モデルは、トレーニングデータがテストデータと異なる場合、しばしば退化する。 本稿では,新たな敵情報ネットワーク(AIN)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T02:14:11Z)
• Unsupervised Domain Adaptation for Low-dose CT Reconstruction via Bayesian Uncertainty Alignment [32.632944734192435]
  低線量CT(LDCT)画像再構成技術は、許容画質を維持しつつ、患者の放射線被曝を減らすことができる。 この問題ではディープラーニングが広く用いられているが、臨床シナリオではデータテストのパフォーマンスが劣化することが多い。 LDCT再構成の教師なし領域適応(UDA)は分布アライメントによってこの問題を解決するために提案されている。
  論文  参考訳（メタデータ） (2023-02-26T07:10:09Z)
• Improving Mitosis Detection Via UNet-based Adversarial Domain Homogenizer [1.7298084639157258]
  本稿では,入力画像の対角的再構成による組織像の領域差を軽減するため,有糸分裂検出のためのドメインホモジェナイザを提案する。 我々は,前処理した画像間の領域差の低減を観察することにより,ドメインホモジェナイザの有効性を示す。 このホモジェナイザーと後続の網膜-網状物体検出器を用いて、検出されたミオティックな図形の平均精度で2021 MIDOGチャレンジのベースラインを上回りました。
  論文  参考訳（メタデータ） (2022-09-15T11:15:57Z)
• Unsupervised Domain Adaptation Using Feature Disentanglement And GCNs For Medical Image Classification [5.6512908295414]
  本稿では,グラフニューラルネットワークを用いた教師なし領域適応手法を提案する。 分布シフトを伴う2つの挑戦的医用画像データセットの分類法について検討した。 実験により,本手法は他の領域適応法と比較して最先端の結果が得られることが示された。
  論文  参考訳（メタデータ） (2022-06-27T09:02:16Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• Self-Supervised Domain Adaptation for Diabetic Retinopathy Grading using Vessel Image Reconstruction [61.58601145792065]
  我々は網膜血管画像再構成に基づく新しい自己教師型タスクを定義することで、不変なターゲットドメインの特徴を学習する。 私たちのアプローチは既存のドメイン戦略よりも優れています。
  論文  参考訳（メタデータ） (2021-07-20T09:44:07Z)
• Margin Preserving Self-paced Contrastive Learning Towards Domain Adaptation for Medical Image Segmentation [51.93711960601973]
  クロスモーダル医療画像セグメンテーションのための自己ペースコントラスト学習モデルを保存する新しいマージンを提案する。 プログレッシブに洗練されたセマンティックプロトタイプの指導により、埋め込み表現空間の識別性を高めるために、コントラスト損失を減少させる新しいマージンが提案される。 クロスモーダル心セグメンテーションタスクの実験は、MPSCLが意味セグメンテーション性能を大幅に改善することを示した。
  論文  参考訳（メタデータ） (2021-03-15T15:23:10Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。