論文の概要: Cross-Modality Brain Tumor Segmentation via Bidirectional
Global-to-Local Unsupervised Domain Adaptation
- arxiv url: http://arxiv.org/abs/2105.07715v1
- Date: Mon, 17 May 2021 10:11:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-18 14:42:54.017690
- Title: Cross-Modality Brain Tumor Segmentation via Bidirectional
Global-to-Local Unsupervised Domain Adaptation
- Title（参考訳）: 双方向グローバル・ローカライズド・ドメイン・アダプテーションによる脳腫瘍切除
- Authors: Kelei He, Wen Ji, Tao Zhou, Zhuoyuan Li, Jing Huo, Xin Zhang, Yang
Gao, Dinggang Shen, Bing Zhang, and Junfeng Zhang
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 61.01704175938995
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Accurate segmentation of brain tumors from multi-modal Magnetic Resonance
(MR) images is essential in brain tumor diagnosis and treatment. However, due
to the existence of domain shifts among different modalities, the performance
of networks decreases dramatically when training on one modality and performing
on another, e.g., train on T1 image while performing on T2 image, which is
often required in clinical applications. This also prohibits a network from
being trained on labeled data and then transferred to unlabeled data from a
different domain. To overcome this, unsupervised domain adaptation (UDA)
methods provide effective solutions to alleviate the domain shift between
labeled source data and unlabeled target data. In this paper, we propose a
novel Bidirectional Global-to-Local (BiGL) adaptation framework under a UDA
scheme. Specifically, a bidirectional image synthesis and segmentation module
is proposed to segment the brain tumor using the intermediate data
distributions generated for the two domains, which includes an image-to-image
translator and a shared-weighted segmentation network. Further, a
global-to-local consistency learning module is proposed to build robust
representation alignments in an integrated way. Extensive experiments on a
multi-modal brain MR benchmark dataset demonstrate that the proposed method
outperforms several state-of-the-art unsupervised domain adaptation methods by
a large margin, while a comprehensive ablation study validates the
effectiveness of each key component. The implementation code of our method will
be released at \url{https://github.com/KeleiHe/BiGL}.
- Abstract（参考訳）: 多モード磁気共鳴画像からの脳腫瘍の正確なセグメンテーションは、脳腫瘍の診断と治療に不可欠である。
しかし、異なるモダリティ間のドメインシフトが存在するため、1つのモダリティでトレーニングし、他のモダリティでT1イメージをトレーニングする際にネットワークの性能は劇的に低下する。
これはまた、ネットワークがラベル付きデータでトレーニングされることを禁止し、異なるドメインからラベルなしデータに転送する。
これを解決するために、unsupervised domain adapt(UDA)メソッドはラベル付きソースデータとラベルなしターゲットデータの間のドメインシフトを軽減する効果的なソリューションを提供する。
本稿では,uda方式に基づく双方向グローバル・ツー・ローカル(bigl)適応フレームワークを提案する。
具体的には,画像間トランスレータと共有重み付きセグメンテーションネットワークを含む2つの領域で生成された中間データ分布を用いて脳腫瘍をセグメンテーションするための双方向画像合成・セグメンテーションモジュールを提案する。
さらに,ロバスト表現アライメントを統合的に構築するために,グローバル・ローカル一貫性学習モジュールを提案する。
マルチモーダル脳MRベンチマークデータセットの大規模な実験により、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り、包括的アブレーション研究は各キーコンポーネントの有効性を検証した。
我々のメソッドの実装コードは \url{https://github.com/KeleiHe/BiGL} でリリースされる。
関連論文リスト
- Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。
本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。
実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
論文 参考訳（メタデータ） (2023-10-22T02:27:02Z) - Self-Supervised Correction Learning for Semi-Supervised Biomedical Image
Segmentation [84.58210297703714]
半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。
共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。
異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
論文 参考訳（メタデータ） (2023-01-12T08:19:46Z) - Target and Task specific Source-Free Domain Adaptive Image Segmentation [73.78898054277538]
ソースフリー領域適応画像分割のための2段階のアプローチを提案する。
我々は,高エントロピー領域を抑えつつ,ターゲット固有の擬似ラベルを生成することに注力する。
第2段階では、タスク固有の表現にネットワークを適用することに重点を置いている。
論文 参考訳（メタデータ） (2022-03-29T17:50:22Z) - 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) - Unsupervised Domain Adaptation with Semantic Consistency across
Heterogeneous Modalities for MRI Prostate Lesion Segmentation [19.126306953075275]
セマンティック一貫性を促進する2つの新しい損失関数を導入する。
特に,高度な拡散強調画像技術であるVERDICT-MRIの性能向上の課題に対処する。
論文 参考訳（メタデータ） (2021-09-19T17:33:26Z) - Unsupervised Domain Adaptation with Variational Approximation for
Cardiac Segmentation [15.2292571922932]
非教師なし領域適応は、医用画像セグメンテーションに有用である。
両ドメインの潜在機能を共通かつパラメータ化された変分形式に駆動する新しいフレームワークを提案する。
これは、変分オートエンコーダ(VAE)とこの変分近似の正規化に基づく2つのネットワークによって実現される。
論文 参考訳（メタデータ） (2021-06-16T13:00:39Z) - Adapt Everywhere: Unsupervised Adaptation of Point-Clouds and Entropy
Minimisation for Multi-modal Cardiac Image Segmentation [10.417009344120917]
マルチモーダル心臓画像分割のための新しいUDA法を提案する。
提案手法は、逆学習に基づいて、異なる空間におけるソースとターゲットドメイン間のネットワーク特徴を適応する。
本手法はannotated source domainからunannotated target domainへの適応により2つの心データセットで検証した。
論文 参考訳（メタデータ） (2021-03-15T08:59:44Z) - Shape-aware Meta-learning for Generalizing Prostate MRI Segmentation to
Unseen Domains [68.73614619875814]
前立腺MRIのセグメント化におけるモデル一般化を改善するために,新しい形状認識メタラーニング手法を提案する。
実験結果から,本手法は未確認領域の6つの設定すべてにおいて,最先端の一般化手法を一貫して上回っていることが明らかとなった。
論文 参考訳（メタデータ） (2020-07-04T07:56:02Z) - 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。