論文の概要: AD-GAN: End-to-end Unsupervised Nuclei Segmentation with Aligned
Disentangling Training
- arxiv url: http://arxiv.org/abs/2107.11022v1
- Date: Fri, 23 Jul 2021 04:08:44 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-26 13:59:41.418062
- Title: AD-GAN: End-to-end Unsupervised Nuclei Segmentation with Aligned
Disentangling Training
- Title（参考訳）: AD-GAN: 遠位遠位訓練による終端無監督核偏位
- Authors: Kai Yao and Kaizhu Huang and Jie Sun and Curran Jude
- Abstract要約: 本稿では,AD-GAN(Aligned Disentangling Generative Adversarial Network)と呼ばれる教師なしフレームワークを提案する。
AD-GANは、コンテンツ表現(下降空間構造)とスタイル表現(構造の描画)を分離するために、表現のゆがみを導入する
また,マイクロレベルの損失変換を抑えるために,遅延空間におけるコンテンツとの絡み合いを調整できる新しいトレーニングアルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 20.275262042996214
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We consider unsupervised cell nuclei segmentation in this paper. Exploiting
the recently-proposed unpaired image-to-image translation between cell nuclei
images and randomly synthetic masks, existing approaches, e.g., CycleGAN, have
achieved encouraging results. However, these methods usually take a two-stage
pipeline and fail to learn end-to-end in cell nuclei images. More seriously,
they could lead to the lossy transformation problem, i.e., the content
inconsistency between the original images and the corresponding segmentation
output. To address these limitations, we propose a novel end-to-end
unsupervised framework called Aligned Disentangling Generative Adversarial
Network (AD-GAN). Distinctively, AD-GAN introduces representation
disentanglement to separate content representation (the underling spatial
structure) from style representation (the rendering of the structure). With
this framework, spatial structure can be preserved explicitly, enabling a
significant reduction of macro-level lossy transformation. We also propose a
novel training algorithm able to align the disentangled content in the latent
space to reduce micro-level lossy transformation. Evaluations on real-world 2D
and 3D datasets show that AD-GAN substantially outperforms the other comparison
methods and the professional software both quantitatively and qualitatively.
Specifically, the proposed AD-GAN leads to significant improvement over the
current best unsupervised methods by an average 17.8% relatively (w.r.t. the
metric DICE) on four cell nuclei datasets. As an unsupervised method, AD-GAN
even performs competitive with the best supervised models, taking a further
leap towards end-to-end unsupervised nuclei segmentation.
- Abstract（参考訳）: 本論文では教師なし細胞核セグメンテーションについて考察する。
最近提案された細胞核画像とランダムに合成されたマスク間の画像と画像の翻訳を爆発させるため、既存のアプローチ、例えばCycleGANは奨励的な結果を得た。
しかしながら、これらの手法は通常2段階のパイプラインを取り、細胞核画像のエンドツーエンドの学習に失敗する。
さらに本気で言えば、元の画像と対応するセグメンテーション出力との間のコンテンツ不整合という、損失のある変換問題につながる可能性がある。
これらの制約に対処するため、我々はAligned Disentangling Generative Adversarial Network (AD-GAN)と呼ばれる新しいエンドツーエンドの非教師付きフレームワークを提案する。
直感的には、AD-GANは、コンテンツ表現(下降空間構造)とスタイル表現(構造の描画)を分離するために、表現のゆがみを導入する。
この枠組みにより空間構造を明示的に保存することができ、マクロレベルの損失変換を著しく低減することができる。
また,マイクロレベルの損失変換を抑えるために,遅延空間におけるコンテンツとの絡み合いを調整できる新しいトレーニングアルゴリズムを提案する。
実世界の2Dおよび3Dデータセットの評価は、AD-GANが他の比較手法とプロのソフトウェアを定量的にも質的にも大幅に上回っていることを示している。
具体的には、提案されたAD-GANは、現在の最高の教師なし手法よりも平均17.8%(w.r.t.)大幅に改善される。
4つの細胞核データセット上のDICE。
教師なしの手法として、AD-GANは最高の教師なしモデルと競合し、エンド・ツー・エンドの教師なし核セグメンテーションに向けてさらに飛躍する。
関連論文リスト
- AttenScribble: Attentive Similarity Learning for Scribble-Supervised
Medical Image Segmentation [5.8447004333496855]
本稿では,単純かつ効果的なスクリブル教師あり学習フレームワークを提案する。
我々は、任意の完全畳み込みネットワーク(FCN)バックボーンの内部特徴層の上に、接続可能な空間自己アテンションモジュールを作成する。
この注意深い類似性は、セグメンテーション予測と視覚親和性の一貫性を課する新たな正規化損失をもたらす。
論文 参考訳（メタデータ） (2023-12-11T18:42:18Z) - GIFD: A Generative Gradient Inversion Method with Feature Domain
Optimization [52.55628139825667]
Federated Learning(FL)は、クライアントのプライバシを保護するための有望な分散機械学習フレームワークとして登場した。
近年の研究では、事前学習された生成逆ネットワーク(GAN)を事前知識として活用することにより、攻撃者が共有勾配を逆転し、FLシステムに対する機密データを回復できることが示されている。
textbfGradient textbfInversion over textbfFeature textbfDomains (GIFD)を提案する。
論文 参考訳（メタデータ） (2023-08-09T04:34:21Z) - RCPS: Rectified Contrastive Pseudo Supervision for Semi-Supervised
Medical Image Segmentation [26.933651788004475]
我々は、RCPS(Rectified Contrastive Pseudo Supervision)という、新しい半教師付きセグメンテーション手法を提案する。
RCPSは、修正された疑似監督とボクセルレベルのコントラスト学習を組み合わせて、半教師付きセグメンテーションの有効性を向上させる。
実験結果から, 半教師付き医用画像分割における最先端手法と比較して, 高いセグメンテーション性能が得られた。
論文 参考訳（メタデータ） (2023-01-13T12:03:58Z) - Interpolation-based Correlation Reduction Network for Semi-Supervised
Graph Learning [49.94816548023729]
補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。
提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。
この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
論文 参考訳（メタデータ） (2022-06-06T14:26:34Z) - Instance Segmentation of Unlabeled Modalities via Cyclic Segmentation
GAN [27.936725483892076]
本稿では,画像翻訳とインスタンスセグメンテーションを共同で行うCysic Generative Adrial Network(CySGAN)を提案する。
注記電子顕微鏡(en:Annotated electron microscopy, EM)画像とラベルなし拡張顕微鏡(en:Unlabeled expansion microscopy, ExM)データを用いて, ニューロンの3次元セグメンテーションの課題についてベンチマークを行った。
論文 参考訳（メタデータ） (2022-04-06T20:46:39Z) - Bend-Net: Bending Loss Regularized Multitask Learning Network for Nuclei
Segmentation in Histopathology Images [65.47507533905188]
重なり合う核を正確に分離するために、曲げ損失正規化器を備えた新しいマルチタスク学習ネットワークを提案する。
新たに提案されたマルチタスク学習アーキテクチャは、3つのタスクから共有表現を学習することで一般化を促進する。
提案した曲げ損失は,輪郭点を大きな曲率で囲むために高いペナルティを定義し,小さな曲率で凸輪郭点に小さなペナルティを適用した。
論文 参考訳（メタデータ） (2021-09-30T17:29:44Z) - Unsupervised Image Generation with Infinite Generative Adversarial
Networks [24.41144953504398]
無限条件GANまたはMIC-GANを混合した非教師なし非パラメトリック手法を提案する。
MIC-GANは潜伏空間の構造化やモード崩壊の回避に有効であることを示す。
論文 参考訳（メタデータ） (2021-08-18T05:03:19Z) - 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) - CoDeGAN: Contrastive Disentanglement for Generative Adversarial Network [0.5437298646956507]
解釈可能な機械学習において重要な関心事であるディスタングルメントもまた、コンピュータビジョンコミュニティから大きな注目を集めている。
我々はtextttCoDeGAN を提案し、画像領域から特徴領域への切り離しに関する類似性制約を緩和する。
我々はCoDeGANに自己教師付き事前学習を統合して意味表現を学習し、教師なしの絡み合いを著しく促進する。
論文 参考訳（メタデータ） (2021-03-05T12:44:22Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - Weakly Supervised Deep Nuclei Segmentation Using Partial Points
Annotation in Histopathology Images [51.893494939675314]
本稿では,部分点アノテーションに基づく弱教師付きセグメンテーションフレームワークを提案する。
本手法は, 完全教師付き手法や最先端手法と比較して, 競争性能を向上できることを示す。
論文 参考訳（メタデータ） (2020-07-10T15:41:29Z)
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。