論文の概要: Domain adaptation based self-correction model for COVID-19 infection
segmentation in CT images
- arxiv url: http://arxiv.org/abs/2104.09699v1
- Date: Tue, 20 Apr 2021 00:45:01 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-21 13:30:53.266428
- Title: Domain adaptation based self-correction model for COVID-19 infection
segmentation in CT images
- Title（参考訳）: ドメイン適応に基づくCT画像におけるCOVID-19感染セグメンテーションの自己補正モデル
- Authors: Qiangguo Jin and Hui Cui and Changming Sun and Zhaopeng Meng and Leyi
Wei and Ran Su
- Abstract要約: CT画像を用いた新型コロナウイルス感染セグメント化のためのドメイン適応型自己補正モデル(DASC-Net)を提案する。
DASC-Netは、ドメインシフトを解決するための新しい注目と機能ドメイン拡張ドメイン適応モデル(AFD-DA)と、結果を洗練するための自己補正学習プロセスから構成される。
3つの公開可能なCOVID-19 CTデータセットに対する大規模な実験は、DASC-Netが最先端のセグメンテーション、ドメインシフト、および新型コロナウイルス感染セグメンテーションメソッドを一貫して上回っていることを示している。
- 参考スコア（独自算出の注目度）: 23.496487874821756
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The capability of generalization to unseen domains is crucial for deep
learning models when considering real-world scenarios. However, current
available medical image datasets, such as those for COVID-19 CT images, have
large variations of infections and domain shift problems. To address this
issue, we propose a prior knowledge driven domain adaptation and a dual-domain
enhanced self-correction learning scheme. Based on the novel learning schemes,
a domain adaptation based self-correction model (DASC-Net) is proposed for
COVID-19 infection segmentation on CT images. DASC-Net consists of a novel
attention and feature domain enhanced domain adaptation model (AFD-DA) to solve
the domain shifts and a self-correction learning process to refine segmentation
results. The innovations in AFD-DA include an image-level activation feature
extractor with attention to lung abnormalities and a multi-level discrimination
module for hierarchical feature domain alignment. The proposed self-correction
learning process adaptively aggregates the learned model and corresponding
pseudo labels for the propagation of aligned source and target domain
information to alleviate the overfitting to noises caused by pseudo labels.
Extensive experiments over three publicly available COVID-19 CT datasets
demonstrate that DASC-Net consistently outperforms state-of-the-art
segmentation, domain shift, and coronavirus infection segmentation methods.
Ablation analysis further shows the effectiveness of the major components in
our model. The DASC-Net enriches the theory of domain adaptation and
self-correction learning in medical imaging and can be generalized to
multi-site COVID-19 infection segmentation on CT images for clinical
deployment.
- Abstract（参考訳）: 未認識領域への一般化の能力は、現実世界のシナリオを考える際にディープラーニングモデルにとって不可欠である。
しかし、新型コロナウイルスのCT画像などの現在の医療画像データセットには、感染症やドメインシフトの問題が多岐にわたる。
この問題に対処するために,事前知識駆動型ドメイン適応と二重ドメイン強化自己修正学習方式を提案する。
新たな学習手法に基づき, ドメイン適応に基づく自己補正モデル (DASC-Net) が提案され, CT画像上でのCOVID-19感染セグメンテーションが実現された。
DASC-Netは、ドメインシフトを解決するための新しい注目と機能ドメイン拡張ドメイン適応モデル(AFD-DA)と、セグメンテーション結果を洗練するための自己補正学習プロセスから構成される。
AFD-DAのイノベーションには、肺の異常に注目する画像レベルのアクティベーション特徴抽出器と、階層的特徴ドメインアライメントのための多レベル識別モジュールが含まれる。
提案する自己修正学習プロセスは,学習モデルと対応する擬似ラベルを適応的に集約し,アライメントされたソース情報と対象領域情報の伝達を行い,擬似ラベルに起因する雑音に対する過度な適合を緩和する。
3つの公開可能なCOVID-19 CTデータセットに対する大規模な実験は、DASC-Netが最先端のセグメンテーション、ドメインシフト、および新型コロナウイルス感染セグメンテーションメソッドを一貫して上回っていることを示している。
アブレーション分析により,本モデルにおける主要成分の有効性が示された。
DASC-Netは、医療画像におけるドメイン適応と自己補正学習の理論を充実させ、臨床展開のためのCT画像上の多地点のCOVID-19感染症セグメンテーションに一般化することができる。
関連論文リスト
- Domain-Adaptive Learning: Unsupervised Adaptation for Histology Images
with Improved Loss Function Combination [3.004632712148892]
本稿では,H&E染色組織像を対象とした非教師なし領域適応(UDA)のための新しいアプローチを提案する。
本手法では, 組織像に特有の課題に対処するために, 慎重に選択された既存の損失関数とともに, 新たな損失関数を提案する。
提案手法は, 組織像の最先端技術を超え, 精度, 堅牢性, 一般化の面で広く評価されている。
論文 参考訳（メタデータ） (2023-09-29T12:11:16Z) - Contrastive Domain Disentanglement for Generalizable Medical Image
Segmentation [12.863227646939563]
本稿では,一般的な医用画像分割のためのコントラストディスタングル・ドメイン(CDD)ネットワークを提案する。
まず、医用画像を解剖学的表現因子とモダリティ表現因子に分解する不整合ネットワークを導入する。
次に、モデル一般化学習のための新しい領域をランダムに生成できる領域拡張戦略を提案する。
論文 参考訳（メタデータ） (2022-05-13T10:32:41Z) - Unsupervised Domain Adaptation for Cross-Modality Retinal Vessel
Segmentation via Disentangling Representation Style Transfer and
Collaborative Consistency Learning [3.9562534927482704]
ドメインシフトが大きいタスクに対する、新しいクロスモーダルな教師なしドメイン適応フレームワークDCDAを提案する。
本フレームワークは,OCTAからOCT,OCTからOCTAまで,目標に訓練されたオラクルに近いDiceスコアを達成し,他の最先端手法よりも優れていた。
論文 参考訳（メタデータ） (2022-01-13T07:03:16Z) - Domain and Content Adaptive Convolution for Domain Generalization in
Medical Image Segmentation [20.633565211019853]
マルチソース領域一般化モデル、すなわちドメインとコンテンツ適応畳み込み(DCAC)を提案する。
DACモジュールでは、予測された入力のドメインコードに動的畳み込みヘッドを条件付け、モデルが見えないターゲットドメインに適応するようにします。
CACモジュールでは,グローバルな画像特徴に動的畳み込みヘッドを条件付け,我々のモデルをテスト画像に適応させる。
論文 参考訳（メタデータ） (2021-09-13T02:41:38Z) - 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) - 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) - Unsupervised Domain Adaptation Network with Category-Centric Prototype
Aligner for Biomedical Image Segmentation [1.1799563040751586]
本稿では,ラベル付きソースドメインから非ラベル付きターゲットドメインへ学習したモデルを一般化するための新しい非監視ドメイン適応ネットワークを提案する。
具体的には,条件付きドメイン判別器(cdd)とカテゴリ中心プロトタイプライナー(ccpa)という2つのキーモジュールからなる。
論文 参考訳（メタデータ） (2021-03-03T07:07:38Z) - Unsupervised Instance Segmentation in Microscopy Images via Panoptic
Domain Adaptation and Task Re-weighting [86.33696045574692]
病理組織像における教師なし核分割のためのCycle Consistency Panoptic Domain Adaptive Mask R-CNN(CyC-PDAM)アーキテクチャを提案する。
まず,合成画像中の補助的な生成物を除去するための核塗布機構を提案する。
第二に、ドメイン識別器を持つセマンティックブランチは、パンプトレベルのドメイン適応を実現するように設計されている。
論文 参考訳（メタデータ） (2020-05-05T11:08:26Z) - Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。
CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。
これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
論文 参考訳（メタデータ） (2020-04-22T07:30:56Z) - 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。