論文の概要: Unsupervised domain adaptation for cross-modality liver segmentation via
joint adversarial learning and self-learning
- arxiv url: http://arxiv.org/abs/2109.05664v1
- Date: Mon, 13 Sep 2021 01:46:28 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-14 15:22:36.355070
- Title: Unsupervised domain adaptation for cross-modality liver segmentation via
joint adversarial learning and self-learning
- Title(参考訳): 相反学習と自己学習によるモダリティ間肝セグメンテーションのための教師なしドメイン適応
- Authors: Jin Hong, Simon Chun Ho Yu, Weitian Chen
- Abstract要約: CT(Computed tomography)とMRI(MRI)を用いて取得した画像上の肝セグメンテーションは,肝疾患の臨床的管理において重要な役割を担っている。
本研究では, 対人学習と自己学習を通じて, クロスモーダル肝セグメンテーションのための新しい教師なしドメイン適応フレームワークについて報告する。
- 参考スコア(独自算出の注目度): 2.309675169959214
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Liver segmentation on images acquired using computed tomography (CT) and
magnetic resonance imaging (MRI) plays an important role in clinical management
of liver diseases. Compared to MRI, CT images of liver are more abundant and
readily available. However, MRI can provide richer quantitative information of
the liver compared to CT. Thus, it is desirable to achieve unsupervised domain
adaptation for transferring the learned knowledge from the source domain
containing labeled CT images to the target domain containing unlabeled MR
images. In this work, we report a novel unsupervised domain adaptation
framework for cross-modality liver segmentation via joint adversarial learning
and self-learning. We propose joint semantic-aware and shape-entropy-aware
adversarial learning with post-situ identification manner to implicitly align
the distribution of task-related features extracted from the target domain with
those from the source domain. In proposed framework, a network is trained with
the above two adversarial losses in an unsupervised manner, and then a mean
completer of pseudo-label generation is employed to produce pseudo-labels to
train the next network (desired model). Additionally, semantic-aware
adversarial learning and two self-learning methods, including pixel-adaptive
mask refinement and student-to-partner learning, are proposed to train the
desired model. To improve the robustness of the desired model, a low-signal
augmentation function is proposed to transform MRI images as the input of the
desired model to handle hard samples. Using the public data sets, our
experiments demonstrated the proposed unsupervised domain adaptation framework
outperformed four supervised learning methods with a Dice score 0.912 plus or
minus 0.037 (mean plus or minus standard deviation).
- Abstract(参考訳): CT(Computed tomography)とMRI(MRI)を用いて取得した画像上の肝セグメンテーションは,肝疾患の臨床的管理において重要な役割を担っている。
mriと比較して、肝臓のct画像は豊富で容易に利用できる。
しかし、MRIはCTと比較して肝臓の量的な情報を豊かに提供することができる。
したがって、ラベル付きCT画像を含むソース領域からラベル付きMR画像を含むターゲット領域へ学習知識を転送するための教師なし領域適応を実現することが望ましい。
本研究では, 対人学習と自己学習を通じて, クロスモーダル肝セグメンテーションのための新しい教師なしドメイン適応フレームワークについて報告する。
対象領域から抽出したタスク関連特徴の分布をソース領域から暗黙的に整列させるために, 意味認識と形状エントロピーを併用した学習手法を提案する。
提案フレームワークでは、上記の2つの敵対的損失を教師なしの方法でネットワークを訓練し、次に疑似ラベル生成の平均完全化器を用いて、次のネットワークを訓練する疑似ラベルを生成する(望ましくないモデル)。
さらに,目的とするモデルを学習するために,セマンティクス対応の逆学習と,ピクセル適応マスクの洗練と学生間学習を含む2つの自己学習手法を提案する。
所望のモデルのロバスト性を改善するため,ハードサンプルを扱うために所望のモデルの入力としてMRI画像を変換する低信号増大関数を提案する。
公開データセットを用いて、Diceスコア0.912プラスまたは0.037(平均標準偏差またはマイナス標準偏差)の4つの教師なし学習手法よりも優れた教師なしドメイン適応フレームワークを提案実験で実証した。
関連論文リスト
- Cross-model Mutual Learning for Exemplar-based Medical Image Segmentation [25.874281336821685]
Exemplar-based Medical Image(CMEMS)のためのクロスモデル相互学習フレームワーク
外来医用画像のためのクロスモデル相互学習フレームワーク(CMEMS)について紹介する。
論文 参考訳(メタデータ) (2024-04-18T00:18:07Z) - LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳(メタデータ) (2023-06-20T22:21:34Z) - MSCDA: Multi-level Semantic-guided Contrast Improves Unsupervised Domain
Adaptation for Breast MRI Segmentation in Small Datasets [5.272836235045653]
マルチレベルセマンティック・ガイド・コントラスト・ドメイン・アダプティブ・フレームワークを提案する。
我々のアプローチは、ドメイン間の特徴表現を整合させるために、対照的な学習を伴う自己学習を取り入れている。
特に,ピクセル・ツー・ピクセル,ピクセル・ツー・セントロイド,セントロイド・ツー・セントロイドのコントラストを取り入れることで,コントラストの損失を増大させる。
論文 参考訳(メタデータ) (2023-01-04T19:16:55Z) - Mixed-UNet: Refined Class Activation Mapping for Weakly-Supervised
Semantic Segmentation with Multi-scale Inference [28.409679398886304]
我々は、デコードフェーズに2つの並列分岐を持つMixed-UNetという新しいモデルを開発する。
地域病院や公開データセットから収集したデータセットに対して,いくつかの一般的なディープラーニングに基づくセグメンテーションアプローチに対して,設計したMixed-UNetを評価した。
論文 参考訳(メタデータ) (2022-05-06T08:37:02Z) - 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) - 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) - A Multi-Stage Attentive Transfer Learning Framework for Improving
COVID-19 Diagnosis [49.3704402041314]
新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。
提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。
本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
論文 参考訳(メタデータ) (2021-01-14T01:39:19Z) - 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) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳(メタデータ) (2020-07-24T14:02:09Z) - 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。