論文の概要: Enhancing MR Image Segmentation with Realistic Adversarial Data
Augmentation
- arxiv url: http://arxiv.org/abs/2108.03429v1
- Date: Sat, 7 Aug 2021 11:32:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-10 15:43:51.397142
- Title: Enhancing MR Image Segmentation with Realistic Adversarial Data
Augmentation
- Title(参考訳): Realistic Adversarial Data AugmentationによるMR画像のセグメンテーションの強化
- Authors: Chen Chen, Chen Qin, Cheng Ouyang, Shuo Wang, Huaqi Qiu, Liang Chen,
Giacomo Tarroni, Wenjia Bai, Daniel Rueckert
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 17.539828821476224
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The success of neural networks on medical image segmentation tasks typically
relies on large labeled datasets for model training. However, acquiring and
manually labeling a large medical image set is resource-intensive, expensive,
and sometimes impractical due to data sharing and privacy issues. To address
this challenge, we propose an adversarial data augmentation approach to improve
the efficiency in utilizing training data and to enlarge the dataset via
simulated but realistic transformations. Specifically, we present a generic
task-driven learning framework, which jointly optimizes a data augmentation
model and a segmentation network during training, generating informative
examples to enhance network generalizability for the downstream task. The data
augmentation model utilizes a set of photometric and geometric image
transformations and chains them to simulate realistic complex imaging
variations that could exist in magnetic resonance (MR) imaging. The proposed
adversarial data augmentation does not rely on generative networks and can be
used as a plug-in module in general segmentation networks. It is
computationally efficient and applicable for both supervised and
semi-supervised learning. We analyze and evaluate the method on two MR image
segmentation tasks: cardiac segmentation and prostate segmentation. Results
show that the proposed approach can alleviate the need for labeled data while
improving model generalization ability, indicating its practical value in
medical imaging applications.
- Abstract(参考訳): 医療画像分割タスクにおけるニューラルネットワークの成功は通常、モデルトレーニングのための大きなラベル付きデータセットに依存する。
しかし、大規模な医療画像の取得と手動によるラベル付けは、リソース集約的で高価であり、データ共有やプライバシーの問題のため、時には実用的ではない。
この課題に対処するために、トレーニングデータを利用する際の効率を改善し、シミュレートされながら現実的な変換によってデータセットを拡大する逆データ拡張手法を提案する。
具体的には,訓練中に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共同で最適化し,下流タスクのネットワーク一般化可能性を高めるための有用な例を生成する汎用タスク駆動学習フレームワークを提案する。
データ拡張モデルは、測光および幾何学的画像変換のセットを利用し、磁気共鳴(mr)イメージングに存在しうる現実的な複雑な画像変化をシミュレートする。
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。
計算効率が高く、教師付き学習と半教師付き学習の両方に適用できる。
本研究は,2つのMR画像分割課題である心臓セグメンテーションと前立腺セグメンテーションを分析し,評価する。
提案手法は, モデル一般化能力を改善しつつラベル付きデータの必要性を軽減し, 医用画像の応用における実用的価値を示す。
関連論文リスト
- Rotated Multi-Scale Interaction Network for Referring Remote Sensing
Image Segmentation [66.31941110777734]
Referring Remote Sensing Image (RRSIS)は、コンピュータビジョンと自然言語処理を組み合わせた新しい課題である。
従来の参照画像(RIS)アプローチは、空中画像に見られる複雑な空間スケールと向きによって妨げられている。
本稿ではRMSIN(Rotated Multi-Scale Interaction Network)を紹介する。
論文 参考訳(メタデータ) (2023-12-19T08:14:14Z) - Self-Supervised Neuron Segmentation with Multi-Agent Reinforcement
Learning [53.00683059396803]
マスク画像モデル(MIM)は,マスク画像から元の情報を復元する簡便さと有効性から広く利用されている。
本稿では、強化学習(RL)を利用して最適な画像マスキング比とマスキング戦略を自動検索する決定に基づくMIMを提案する。
本手法は,ニューロン分節の課題において,代替自己監督法に対して有意な優位性を有する。
論文 参考訳(メタデータ) (2023-10-06T10:40:46Z) - 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) - 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) - Medical Transformer: Gated Axial-Attention for Medical Image
Segmentation [73.98974074534497]
医用画像分割タスクにおけるトランスフォーマティブネットワークアーキテクチャの利用可能性について検討する。
セルフアテンションモジュールに追加の制御機構を導入することで,既存のアーキテクチャを拡張するGated Axial-Attentionモデルを提案する。
医療画像上で効果的にモデルを訓練するために,さらにパフォーマンスを向上させる局所的グローバルトレーニング戦略 (logo) を提案する。
論文 参考訳(メタデータ) (2021-02-21T18:35:14Z) - 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) - Automatic Data Augmentation for 3D Medical Image Segmentation [37.262350163905445]
医用画像分割作業において、識別可能な自動データ拡張が採用されたのは、これが初めてである。
我々の数値実験により,提案手法は,最先端モデルの既存のビルトインデータ拡張を著しく上回っていることが示された。
論文 参考訳(メタデータ) (2020-10-07T12:51:17Z) - Realistic Image Normalization for Multi-Domain Segmentation [7.856339385917824]
本稿では,複数のデータセットにまたがる共通正規化関数を学習することで,従来の画像正規化手法を再検討する。
複数のデータセットを共同で正規化することにより、一貫した正規化イメージと改善されたイメージセグメンテーションが得られる。
また、複数の画像領域から学習する場合に利用可能なサンプル数を増やすことで、データの可用性を向上させることができる。
論文 参考訳(メタデータ) (2020-09-29T13:57:04Z) - Realistic Adversarial Data Augmentation for MR Image Segmentation [17.951034264146138]
医用画像セグメンテーションのためのニューラルネットワークのトレーニングのための逆データ拡張手法を提案する。
このモデルでは,MR画像における共通の種類のアーチファクトによって生じる強度不均一性,すなわちバイアス場をモデル化する。
このような手法により,モデルの一般化と堅牢性の向上が図られ,低データシナリオにおける大幅な改善が期待できる。
論文 参考訳(メタデータ) (2020-06-23T20:43:18Z) - 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) - 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。