論文の概要: Cooperative Training and Latent Space Data Augmentation for Robust Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2107.01079v1
• Date: Fri, 2 Jul 2021 13:39:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-05 13:05:31.134782
• Title: Cooperative Training and Latent Space Data Augmentation for Robust Medical Image Segmentation
• Title（参考訳）: ロバストな医用画像分割のための協調訓練と潜時空間データ増強
• Authors: Chen Chen, Kerstin Hammernik, Cheng Ouyang, Chen Qin, Wenjia Bai, Daniel Rueckert
• Abstract要約: ディープラーニングベースのセグメンテーションメソッドは、デプロイメント中に予期せぬデータ分散シフトに対して脆弱である。 本稿では,画像セグメンテーションモデルをトレーニングするための協調的なフレームワークと,ハードサンプルを生成するための潜在空間拡張手法を提案する。
• 参考スコア（独自算出の注目度）: 13.017279828963444
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning-based segmentation methods are vulnerable to unforeseen data distribution shifts during deployment, e.g. change of image appearances or contrasts caused by different scanners, unexpected imaging artifacts etc. In this paper, we present a cooperative framework for training image segmentation models and a latent space augmentation method for generating hard examples. Both contributions improve model generalization and robustness with limited data. The cooperative training framework consists of a fast-thinking network (FTN) and a slow-thinking network (STN). The FTN learns decoupled image features and shape features for image reconstruction and segmentation tasks. The STN learns shape priors for segmentation correction and refinement. The two networks are trained in a cooperative manner. The latent space augmentation generates challenging examples for training by masking the decoupled latent space in both channel-wise and spatial-wise manners. We performed extensive experiments on public cardiac imaging datasets. Using only 10 subjects from a single site for training, we demonstrated improved cross-site segmentation performance and increased robustness against various unforeseen imaging artifacts compared to strong baseline methods. Particularly, cooperative training with latent space data augmentation yields 15% improvement in terms of average Dice score when compared to a standard training method.
• Abstract（参考訳）: ディープラーニングベースのセグメンテーション手法は、例えばデプロイメント中に予期せぬデータ分散シフトに対して脆弱である。 異なるスキャナー、予期しない画像アーティファクトなどによる画像の外観やコントラストの変化。 本稿では,画像分割モデルの学習のための協調フレームワークと,実例生成のための潜在空間拡張手法を提案する。 どちらの貢献も限られたデータでモデルの一般化と堅牢性を改善する。 協調トレーニングフレームワークは、高速思考ネットワーク(FTN)と低速思考ネットワーク(STN)で構成されている。 FTNは、画像再構成とセグメンテーションタスクのための分離された画像特徴と形状特徴を学習する。 STNは、セグメンテーション補正と精錬のための形状前処理を学習する。 2つのネットワークは協調的に訓練されている。 潜時空間増強は、チャネルワイドおよび空間ワイドの両方で分離された潜時空間をマスキングすることで、困難な訓練例を生成する。 公開心画像データセットについて広範な実験を行った。 訓練対象は1つのサイトから10名に過ぎず,強いベースライン法に比べ,クロスサイトセグメンテーション性能が向上し,様々な予期せぬ画像アーチファクトに対するロバスト性が向上した。 特に、潜在空間データ拡張による協調訓練は、標準訓練法と比較して平均サイコロスコアで15%向上する。

関連論文リスト

• Enhancing pretraining efficiency for medical image segmentation via transferability metrics [0.0]
  医用画像のセグメンテーションタスクでは、ラベル付きトレーニングデータの不足が大きな課題となっている。 本稿では,事前学習したモデルが対象データをいかに頑健に表現できるかを計測する,対照的な学習に基づく新しい伝達可能性指標を提案する。
  論文  参考訳（メタデータ） (2024-10-24T12:11:52Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Interpretable Small Training Set Image Segmentation Network Originated from Multi-Grid Variational Model [5.283735137946097]
  深層学習法 (DL) が提案され, 画像分割に広く利用されている。 DLメソッドは通常、トレーニングデータとして大量の手動セグメントデータを必要とし、解釈性に乏しい。 本稿では,MSモデルにおける手作り正則項をデータ適応型一般化可学習正則項に置き換える。
  論文  参考訳（メタデータ） (2023-06-25T02:34:34Z)
• CSP: Self-Supervised Contrastive Spatial Pre-Training for Geospatial-Visual Representations [90.50864830038202]
  ジオタグ付き画像の自己教師型学習フレームワークであるContrastive Spatial Pre-Training(CSP)を提案する。 デュアルエンコーダを用いて画像とその対応する位置情報を別々に符号化し、コントラスト目的を用いて画像から効果的な位置表現を学習する。 CSPは、様々なラベル付きトレーニングデータサンプリング比と10～34%の相対的な改善で、モデル性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2023-05-01T23:11:18Z)
• Self-Supervised Generative Style Transfer for One-Shot Medical Image Segmentation [10.634870214944055]
  医用画像のセグメンテーションにおいて、教師付きディープネットワークの成功は、豊富なラベル付きデータを必要とするコストが伴う。 本稿では,ボリューム画像分割ペアを合成可能なデータ拡張のための,新しいボリューム自己教師型学習法を提案する。 我々の研究の中心的信条は、ワンショット生成学習と自己指導型学習戦略の併用による恩恵を受けている。
  論文  参考訳（メタデータ） (2021-10-05T15:28:42Z)
• Enhancing MR Image Segmentation with Realistic Adversarial Data Augmentation [17.539828821476224]
  本稿では,学習データの利用効率を向上させるために,逆データ拡張手法を提案する。 本稿では,データ拡張モデルとセグメンテーションネットワークを協調的に最適化する汎用的なタスク駆動学習フレームワークを提案する。 提案した逆データ拡張は生成ネットワークに依存しず,汎用セグメンテーションネットワークのプラグインモジュールとして使用できる。
  論文  参考訳（メタデータ） (2021-08-07T11:32:37Z)
• Pairwise Relation Learning for Semi-supervised Gland Segmentation [90.45303394358493]
  病理組織像における腺分節に対するPRS2モデルを提案する。 このモデルはセグメンテーションネットワーク(S-Net)とペア関係ネットワーク(PR-Net)から構成される。 我々は,GlaSデータセットの最近の5つの手法とCRAGデータセットの最近の3つの手法を比較した。
  論文  参考訳（メタデータ） (2020-08-06T15:02:38Z)
• Learning Deformable Image Registration from Optimization: Perspective, Modules, Bilevel Training and Beyond [62.730497582218284]
  マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。 我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
  論文  参考訳（メタデータ） (2020-04-30T03:23:45Z)
• Gradient-Induced Co-Saliency Detection [81.54194063218216]
  Co-SOD(Co-saliency Detection)は、一般的な唾液前景を関連画像のグループに分割することを目的としている。 本稿では,人間の行動にインスパイアされた,勾配誘導型共分散検出法を提案する。
  論文  参考訳（メタデータ） (2020-04-28T08:40:55Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)

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。