Fugu-MT 論文翻訳(概要): Zero-Shot Domain Adaptation in CT Segmentation by Filtered Back Projection Augmentation

論文の概要: Zero-Shot Domain Adaptation in CT Segmentation by Filtered Back Projection Augmentation

arxiv url: http://arxiv.org/abs/2107.08543v1
Date: Sun, 18 Jul 2021 21:46:49 GMT
ステータス: 処理完了
システム内更新日: 2021-07-20 14:45:04.626181
Title: Zero-Shot Domain Adaptation in CT Segmentation by Filtered Back Projection Augmentation
Title（参考訳）: フィルタバックプロジェクション拡張によるCTセグメントのゼロショット領域適応
Authors: Talgat Saparov, Anvar Kurmukov, Boris Shirokih, Mikhail Belyaev
Abstract要約: ドメインシフトは、医療コンピュータビジョンにおける最も健全な課題の1つです。コンピュータ断層撮影(CT)画像の再現過程における異なる畳み込みカーネルによる変動について検討する。異なるカーネルによる再構成を模擬したシングラム空間におけるCT画像の簡易かつ驚くほど効率的な拡張手法であるフィルタバックプロジェクション拡張(FBPAug)を提案する。
参考スコア（独自算出の注目度）: 0.1197985185770095
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Domain shift is one of the most salient challenges in medical computer vision. Due to immense variability in scanners' parameters and imaging protocols, even images obtained from the same person and the same scanner could differ significantly. We address variability in computed tomography (CT) images caused by different convolution kernels used in the reconstruction process, the critical domain shift factor in CT. The choice of a convolution kernel affects pixels' granularity, image smoothness, and noise level. We analyze a dataset of paired CT images, where smooth and sharp images were reconstructed from the same sinograms with different kernels, thus providing identical anatomy but different style. Though identical predictions are desired, we show that the consistency, measured as the average Dice between predictions on pairs, is just 0.54. We propose Filtered Back-Projection Augmentation (FBPAug), a simple and surprisingly efficient approach to augment CT images in sinogram space emulating reconstruction with different kernels. We apply the proposed method in a zero-shot domain adaptation setup and show that the consistency boosts from 0.54 to 0.92 outperforming other augmentation approaches. Neither specific preparation of source domain data nor target domain data is required, so our publicly released FBPAug can be used as a plug-and-play module for zero-shot domain adaptation in any CT-based task.
Abstract（参考訳）: ドメインシフトは、医療コンピュータビジョンにおける最も健全な課題の1つです。スキャナーのパラメータやイメージングプロトコルに大きなばらつきがあるため、同一人物と同一スキャナーから取得した画像でさえ大きく異なる可能性がある。我々は,CTにおける重要な領域シフト因子である再構成過程において,異なる畳み込みカーネルによって引き起こされるCT画像のばらつきに対処する。畳み込みカーネルの選択はピクセルの粒度、画像の滑らかさ、ノイズレベルに影響を与える。異なるカーネルを持つ同一のシンノグラムから,滑らかでシャープな画像が再構成され,同一の解剖学的構造を提供するペアct画像のデータセットを解析した。同一の予測が望ましいが、ペア上の予測間の平均サイスとして測定される一貫性は、わずか 0.54 である。異なるカーネルによる再構成を模擬したシングラム空間におけるCT画像の簡易かつ驚くほど効率的な拡張手法であるフィルタバックプロジェクション拡張(FBPAug)を提案する。提案手法をゼロショット領域適応設定に適用し,一貫性が0.54から0.92に向上することを示した。ソースドメインデータとターゲットドメインデータの特別な準備は必要とせず、公にリリースされたfbpaugは、任意のctベースのタスクにおいてゼロショットドメイン適応のためのプラグイン・アンド・プレイモジュールとして使用できる。

関連論文リスト

Affinity Feature Strengthening for Accurate, Complete and Robust Vessel Segmentation [48.638327652506284]
血管セグメンテーションは、冠動脈狭窄、網膜血管疾患、脳動脈瘤などの多くの医学的応用において重要である。コントラストに敏感なマルチスケールアフィニティアプローチを用いて,幾何学的手法と画素単位のセグメンテーション特徴を連成的にモデル化する新しいアプローチであるAFNを提案する。
論文参考訳（メタデータ） (2022-11-12T05:39:17Z)
Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
論文参考訳（メタデータ） (2022-09-19T09:43:19Z)
Noise transfer for unsupervised domain adaptation of retinal OCT images [0.0]
特異値分解(SVDNA)に基づく最小雑音適応法を提案する。本手法は,OCT装置間の領域ギャップを補うために,ノイズ構造の違いを利用する。本手法は, 単純性に拘わらず, 最先端の教師なしドメイン適応法より優れているか, あるいは優れているかを実証する。
論文参考訳（メタデータ） (2022-09-16T14:39:46Z)
Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文参考訳（メタデータ） (2022-04-19T10:41:09Z)
Adaptation to CT Reconstruction Kernels by Enforcing Cross-domain Feature Maps Consistency [0.06117371161379209]
本研究は,スムーズで訓練し,鋭い再構築カーネル上で試験したモデルにおいて,新型コロナウイルスのセグメンテーション品質の低下を示すものである。本稿では,F-Consistency(F-Consistency)と呼ばれる,教師なし適応手法を提案する。
論文参考訳（メタデータ） (2022-03-28T10:00:03Z)
GradViT: Gradient Inversion of Vision Transformers [83.54779732309653]
我々は,視力変換器(ViT)の勾配に基づく逆攻撃に対する脆弱性を実証する。自然に見える画像にランダムノイズを最適化するGradViTという手法を提案する。元の(隠された)データに対する前例のない高い忠実さと近接性を観察する。
論文参考訳（メタデータ） (2022-03-22T17:06:07Z)
CNN Filter Learning from Drawn Markers for the Detection of Suggestive Signs of COVID-19 in CT Images [58.720142291102135]
畳み込みニューラルネットワーク(CNN)のフィルタを推定するために,大規模な注釈付きデータセットやバックプロパゲーションを必要としない手法を提案する。少数のCT画像に対して、ユーザは、代表的な正常領域と異常領域にマーカーを描画する。本発明の方法は、カーネルがマークされたものに似た拡張領域に特有な一連の畳み込み層からなる特徴抽出器を生成する。
論文参考訳（メタデータ） (2021-11-16T15:03:42Z)
Self-Attentive Spatial Adaptive Normalization for Cross-Modality Domain Adaptation [9.659642285903418]
放射線科医の費用負担を軽減するための医用画像のクロスモダリティ合成本稿では,教師なしまたは教師なし(非ペア画像データ)の設定が可能な医用画像における画像から画像への変換手法を提案する。
論文参考訳（メタデータ） (2021-03-05T16:22:31Z)
Segmentation-Renormalized Deep Feature Modulation for Unpaired Image Harmonization [0.43012765978447565]
サイクル一貫性のある生成共役ネットワークは、ソースとターゲットドメイン間のイメージセットの調和に使われてきた。これらの手法は、不安定性、コントラストの逆転、病理の難治性操作、および実際の医用画像における信頼性を制限したステガノグラフィーマッピングの傾向が強い。解剖学的レイアウトを維持しながらスキャナ間の調和を低減するセグメンテーション正規化画像翻訳フレームワークを提案する。
論文参考訳（メタデータ） (2021-02-11T23:53:51Z)
Continuous Conversion of CT Kernel using Switchable CycleGAN with AdaIN [37.56855009521612]
本稿では,インスタンス適応正規化(AdaIN)を用いたサイクル一貫性生成逆数ネットワーク(cycleGAN)を用いた新しい連続カーネル変換法を提案する。本手法は, 教師付き学習法に匹敵する正確なカーネル変換を可能にするだけでなく, 下咽頭癌診断に有用な未確認領域の中間核画像も生成できることを示す。
論文参考訳（メタデータ） (2020-11-26T06:35:57Z)
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。