論文の概要: DualNorm-UNet: Incorporating Global and Local Statistics for Robust Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2103.15858v1
• Date: Mon, 29 Mar 2021 18:09:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-31 14:43:13.015331
• Title: DualNorm-UNet: Incorporating Global and Local Statistics for Robust Medical Image Segmentation
• Title（参考訳）: DualNorm-UNet:ロバストな医用画像セグメンテーションのためのグローバルおよびローカル統計を組み込む
• Authors: Junfei Xiao, Lequan Yu, Lei Xing, Alan Yuille, Yuyin Zhou
• Abstract要約: バッチ正規化(BN)は,ネットワークトレーニングを加速する鍵となる要素の一つであり,医用画像解析分野で広く採用されている。 本稿では,意味クラス情報を正規化層に組み込むことにより,異なる領域に対応するアクティベーションを異なる方法で変調できるようにする。 本手法は正規化における意味的知識を活用し,頑健なセグメンテーション結果に対してより識別的特徴を与える。
• 参考スコア（独自算出の注目度）: 29.368070780337415
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Batch Normalization (BN) is one of the key components for accelerating network training, and has been widely adopted in the medical image analysis field. However, BN only calculates the global statistics at the batch level, and applies the same affine transformation uniformly across all spatial coordinates, which would suppress the image contrast of different semantic structures. In this paper, we propose to incorporate the semantic class information into normalization layers, so that the activations corresponding to different regions (i.e., classes) can be modulated differently. We thus develop a novel DualNorm-UNet, to concurrently incorporate both global image-level statistics and local region-wise statistics for network normalization. Specifically, the local statistics are integrated by adaptively modulating the activations along different class regions via the learned semantic masks in the normalization layer. Compared with existing methods, our approach exploits semantic knowledge at normalization and yields more discriminative features for robust segmentation results. More importantly, our network demonstrates superior abilities in capturing domain-invariant information from multiple domains (institutions) of medical data. Extensive experiments show that our proposed DualNorm-UNet consistently improves the performance on various segmentation tasks, even in the face of more complex and variable data distributions. Code is available at https://github.com/lambert-x/DualNorm-Unet.
• Abstract（参考訳）: バッチ正規化(BN)は,ネットワークトレーニングを加速する鍵となる要素の一つであり,医用画像解析分野で広く採用されている。 しかし、BNはバッチレベルでのグローバル統計のみを計算し、全ての空間座標に対して同じアフィン変換を適用し、異なる意味構造のイメージコントラストを抑制する。 本稿では,意味クラス情報を正規化層に組み込むことにより,異なる領域(クラス)に対応するアクティベーションを異なる方法で変調できるようにする。 そこで我々はDualNorm-UNetを新たに開発し,グローバル画像レベル統計と局所領域値統計を併用してネットワーク正規化を行う。 具体的には、正規化層における学習意味マスクを介して、異なるクラス領域に沿ってアクティベーションを適応的に変調して局所統計を統合する。 従来の手法と比較して,正規化における意味的知識を活用し,ロバストなセグメンテーション結果に対してより識別的特徴を与える。 さらに重要なことは、医療データの複数の領域(施設)からドメイン不変情報を捕捉する優れた能力を示す。 広範な実験により,提案するデュアルノルムunetは,より複雑で可変なデータ分散に対しても,様々なセグメンテーションタスクの性能を一貫して向上させることが示された。 コードはhttps://github.com/lambert-x/DualNorm-Unet.comで入手できる。

関連論文リスト

• Generalize or Detect? Towards Robust Semantic Segmentation Under Multiple Distribution Shifts [56.57141696245328]
  斬新なクラスとドメインの両方が存在するようなオープンワールドシナリオでは、理想的なセグメンテーションモデルは安全のために異常なクラスを検出する必要がある。 既存の方法はドメインレベルとセマンティックレベルの分散シフトを区別するのに苦労することが多い。
  論文  参考訳（メタデータ） (2024-11-06T11:03:02Z)
• Semantic-Aware Domain Generalized Segmentation [67.49163582961877]
  ソースドメインでトレーニングされたディープモデルは、異なるデータ分布を持つ未確認対象ドメインで評価された場合、一般化に欠ける。 セマンティック・アウェア・正規化(SAN)とセマンティック・アウェア・ホワイトニング(SAW)の2つの新しいモジュールを含むフレームワークを提案する。 提案手法は,様々なバックボーンネットワークにおいて,既存の最先端ネットワークよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2022-04-02T09:09:59Z)
• TAL: Two-stream Adaptive Learning for Generalizable Person Re-identification [115.31432027711202]
  我々は、ドメイン固有性とドメイン不変性の両方が、re-idモデルの一般化能力の向上に不可欠であると主張する。 これら2種類の情報を同時にモデル化するために,2ストリーム適応学習 (TAL) を命名した。 我々のフレームワークは、単一ソースとマルチソースの両方のドメイン一般化タスクに適用できる。
  論文  参考訳（メタデータ） (2021-11-29T01:27:42Z)
• 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)
• MLAN: Multi-Level Adversarial Network for Domain Adaptive Semantic Segmentation [32.77436219094282]
  本稿では,領域間不整合を大域画像レベルと局所領域レベルで最適に扱うことを目的とした,MLAN(Multi-level adversarial Network)を提案する。 MLANは2つの新しい設計、すなわち、地域レベルの対角学習(RL-AL)と共正規化された対角学習(CR-AL)を持つ。 広範な実験は、MLANが複数のデータセットにまたがる大きなマージンで最先端のものを上回ることを示しています。
  論文  参考訳（メタデータ） (2021-03-24T05:13:23Z)
• 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)
• Cross-Domain Facial Expression Recognition: A Unified Evaluation Benchmark and Adversarial Graph Learning [85.6386289476598]
  我々は,クロスドメイン全体的特徴共適応のための新しい逆グラフ表現適応(AGRA)フレームワークを開発した。 我々は,いくつかの一般的なベンチマークで広範囲かつ公平な評価を行い,提案したAGRAフレームワークが従来の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-08-03T15:00:31Z)

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。