論文の概要: Multi-Task, Multi-Domain Deep Segmentation with Shared Representations and Contrastive Regularization for Sparse Pediatric Datasets

• arxiv url: http://arxiv.org/abs/2105.10310v1
• Date: Fri, 21 May 2021 12:26:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-25 03:23:47.856738
• Title: Multi-Task, Multi-Domain Deep Segmentation with Shared Representations and Contrastive Regularization for Sparse Pediatric Datasets
• Title（参考訳）: スパース小児データセットの共有表現とコントラスト規則化によるマルチタスク・マルチドメインディープセグメンテーション
• Authors: Arnaud Boutillon, Pierre-Henri Conze, Christelle Pons, Val\'erie Burdin, Bhushan Borotikar
• Abstract要約: マルチタスクおよびマルチドメイン学習フレームワークを用いて,解剖学の異なる部分から生じるセグメンテーションモデルをトレーニングすることを提案する。 提案するセグメンテーションネットワークは、共有畳み込みフィルタ、各データセット統計を計算するドメイン固有のバッチ正規化パラメータを含む。 骨分節に対する足関節および肩関節の2つの小児画像データセットについて検討した。
• 参考スコア（独自算出の注目度）: 0.5249805590164902
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic segmentation of magnetic resonance (MR) images is crucial for morphological evaluation of the pediatric musculoskeletal system in clinical practice. However, the accuracy and generalization performance of individual segmentation models are limited due to the restricted amount of annotated pediatric data. Hence, we propose to train a segmentation model on multiple datasets, arising from different parts of the anatomy, in a multi-task and multi-domain learning framework. This approach allows to overcome the inherent scarcity of pediatric data while benefiting from a more robust shared representation. The proposed segmentation network comprises shared convolutional filters, domain-specific batch normalization parameters that compute the respective dataset statistics and a domain-specific segmentation layer. Furthermore, a supervised contrastive regularization is integrated to further improve generalization capabilities, by promoting intra-domain similarity and impose inter-domain margins in embedded space. We evaluate our contributions on two pediatric imaging datasets of the ankle and shoulder joints for bone segmentation. Results demonstrate that the proposed model outperforms state-of-the-art approaches.
• Abstract（参考訳）: mri画像の自動分割は臨床における小児筋骨格系の形態学的評価に不可欠である。 しかし, 個別セグメンテーションモデルの精度と一般化性能は, アノテートされた小児データ量によって制限されている。 そこで我々は,マルチタスクおよびマルチドメイン学習フレームワークを用いて,解剖学の異なる部分から生じるセグメンテーションモデルを訓練することを提案する。 このアプローチは、より堅牢な共有表現の恩恵を受けながら、小児データの固有の不足を克服することができる。 提案するセグメンテーションネットワークは、共有畳み込みフィルタと、各データセット統計を計算するドメイン固有バッチ正規化パラメータと、ドメイン固有セグメンテーション層とを含む。 さらに、ドメイン内類似性を促進し、組込み空間にドメイン間マージンを課すことにより、教師付きコントラスト正規化を統合して一般化能力をさらに向上する。 骨分節に対する足関節および肩関節の2つの小児画像データセットについて検討した。 その結果,提案手法は最先端手法よりも優れていることがわかった。

関連論文リスト

• MI-SegNet: Mutual Information-Based US Segmentation for Unseen Domain Generalization [36.71630929695019]
  ドメイン間の学習に基づく医用画像セグメンテーションの一般化能力は、現在、ドメインシフトによるパフォーマンス劣化によって制限されている。 解剖学的特徴表現とドメイン的特徴表現を明確に切り離す新しい相互情報(MI)ベースのフレームワークであるMI-SegNetを提案する。 パラメータやマシンの異なる複数のデータセットに対して提案したドメインに依存しないセグメンテーション手法の一般化性を検証する。
  論文  参考訳（メタデータ） (2023-03-22T15:30:44Z)
• Generalizable Medical Image Segmentation via Random Amplitude Mixup and Domain-Specific Image Restoration [17.507951655445652]
  本稿では,新しい医用画像分割法を提案する。 具体的には、セグメント化モデルと自己超越ドメイン固有の画像復元モジュールを組み合わせることで、マルチタスクパラダイムとしてアプローチを設計する。 医用画像における2つの一般化可能なセグメンテーションベンチマークにおいて,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-08-08T03:56:20Z)
• Generalizable multi-task, multi-domain deep segmentation of sparse pediatric imaging datasets via multi-scale contrastive regularization and multi-joint anatomical priors [0.41998444721319217]
  本稿では,複数のデータセットに対して単一セグメンテーションネットワークを最適化する,新しいマルチタスク・マルチドメイン学習フレームワークを提案する。 足関節, 膝関節, 肩関節の3つの軽度, 小児画像データセットを用いた骨分節術の成績について検討した。
  論文  参考訳（メタデータ） (2022-07-27T12:59:16Z)
• 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)
• Automatic size and pose homogenization with spatial transformer network to improve and accelerate pediatric segmentation [51.916106055115755]
  空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。 私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。 腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
  論文  参考訳（メタデータ） (2021-07-06T14:50:03Z)
• 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)
• 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)
• Multi-structure bone segmentation in pediatric MR images with combined regularization from shape priors and adversarial network [0.4588028371034407]
  異種小児磁気共鳴(MR)画像のセグメント化に難渋する課題に対して,新たにトレーニングした正規化畳み込みエンコーダデコーダネットワークを提案する。 グローバルに一貫した予測を得るために,オートエンコーダで学習した非線形形状表現から得られる,形状先行に基づく正規化を組み込む。 提案手法は,Dice, 感度, 特異性, 最大対称表面距離, 平均対称表面距離, および相対絶対体積差の測定値について, 従来提案した手法と同等あるいは同等に動作した。
  論文  参考訳（メタデータ） (2020-09-15T13:39:53Z)
• 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)
• MS-Net: Multi-Site Network for Improving Prostate Segmentation with Heterogeneous MRI Data [75.73881040581767]
  本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。 当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2020-02-09T14:11:50Z)
• 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。