論文の概要: Cross-Modality Domain Adaptation for Vestibular Schwannoma and Cochlea
Segmentation
- arxiv url: http://arxiv.org/abs/2109.06274v1
- Date: Mon, 13 Sep 2021 19:24:15 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-16 06:32:37.822673
- Title: Cross-Modality Domain Adaptation for Vestibular Schwannoma and Cochlea
Segmentation
- Title(参考訳): 前庭神経癌に対するクロスモーダルドメイン適応とコクリーセグメンテーション
- Authors: Han Liu, Yubo Fan, Can Cui, Dingjie Su, Andrew McNeil, and Benoit
M.Dawant
- Abstract要約: 我々は、教師なしドメイン適応設定において、VSとcochleaセグメンテーションの問題に取り組むことを提案する。
提案手法は,画像レベルの領域アライメントを両立させ,領域のばらつきを最小限に抑えるとともに,半教師付きトレーニングにより性能をさらに向上させる。
以上の結果から,VS と cochlea のセグメンテーション性能は有望であり,平均サイススコアは 0.8261 $pm$ 0.0416,腫瘍の平均サイス値は 0.8302 $pm$ 0.0772 であった。
- 参考スコア(独自算出の注目度): 5.701095097774121
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automatic methods to segment the vestibular schwannoma (VS) tumors and the
cochlea from magnetic resonance imaging (MRI) are critical to VS treatment
planning. Although supervised methods have achieved satisfactory performance in
VS segmentation, they require full annotations by experts, which is laborious
and time-consuming. In this work, we aim to tackle the VS and cochlea
segmentation problem in an unsupervised domain adaptation setting. Our proposed
method leverages both the image-level domain alignment to minimize the domain
divergence and semi-supervised training to further boost the performance.
Furthermore, we propose to fuse the labels predicted from multiple models via
noisy label correction. Our results on the challenge validation leaderboard
showed that our unsupervised method has achieved promising VS and cochlea
segmentation performance with mean dice score of 0.8261 $\pm$ 0.0416; The mean
dice value for the tumor is 0.8302 $\pm$ 0.0772. This is comparable to the
weakly-supervised based method.
- Abstract(参考訳): 磁気共鳴画像(MRI)から前庭神経腫瘍(VS)と内耳を分離する方法は,VS治療計画において重要である。
教師付きメソッドはVSセグメンテーションで十分なパフォーマンスを達成したが、専門家による完全なアノテーションが必要である。
本研究では,教師なしドメイン適応設定において,vs と cochlea のセグメンテーション問題に取り組むことを目的とする。
提案手法は,画像レベルの領域アライメントを利用して領域の発散を最小化し,半教師付きトレーニングによりさらなる性能向上を図る。
さらに,複数のモデルから予測されるラベルをノイズラベル補正により融合する手法を提案する。
チャレンジバリデーション・リーダーボードを用いた結果から, 腫瘍の平均サイクリングスコアが 0.8261 $\pm$ 0.0416 で, 有望な vs と cochlea のセグメンテーション性能が得られ, 腫瘍の平均サイクリング値は 0.8302 $\pm$ 0.0772 であった。
これは弱教師付きベースの方法に匹敵する。
関連論文リスト
- Rethinking Semi-Supervised Medical Image Segmentation: A
Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。
まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。
5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文 参考訳(メタデータ) (2023-02-03T13:50:25Z) - 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) - Self-Supervised Equivariant Regularization Reconciles Multiple Instance
Learning: Joint Referable Diabetic Retinopathy Classification and Lesion
Segmentation [3.1671604920729224]
病変の出現は、糖尿病網膜症(rDR)と非参照性DRを区別する重要な手がかりである。
既存の大規模DRデータセットの多くは、ピクセルベースのアノテーションではなく、画像レベルのラベルのみを含む。
本稿では,自己教師付き同変学習と注目型マルチインスタンス学習を活用し,この問題に対処する。
我々はEyepacsデータセット上で広範囲な検証実験を行い、0.958の受信器動作特性曲線(AU ROC)の領域を達成し、現在の最先端アルゴリズムより優れている。
論文 参考訳(メタデータ) (2022-10-12T06:26:05Z) - Enhancing Data Diversity for Self-training Based Unsupervised
Cross-modality Vestibular Schwannoma and Cochlea Segmentation [7.327638441664658]
教師なし領域適応設定におけるVSとcochleaセグメンテーションのアプローチを提案する。
まず、合成データの多様性を高めるために、クロスサイト・クロスモーダルな画像翻訳戦略を開発する。
そこで,ルールベースのオフライン拡張手法を考案し,ドメインギャップを最小化する。
最後に,自己学習による自己構成セグメンテーションフレームワークを採用し,最終的な結果を得た。
論文 参考訳(メタデータ) (2022-09-23T22:26:51Z) - PCA: Semi-supervised Segmentation with Patch Confidence Adversarial
Training [52.895952593202054]
医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。
PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。
本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
論文 参考訳(メタデータ) (2022-07-24T07:45:47Z) - Unsupervised Domain Adaptation for Vestibular Schwannoma and Cochlea
Segmentation via Semi-supervised Learning and Label Fusion [10.456308424227053]
磁気共鳴画像検査(MRI)による前庭神経癌(VS)腫瘍の分節法は,VS治療計画において重要である。
本研究では、教師なしドメイン適応設定において、VSとcochleaセグメンテーションの問題に取り組むことを目的とする。
提案手法は,画像レベルの領域アライメントを両立させ,領域のばらつきを最小限に抑えるとともに,半教師付きトレーニングにより性能をさらに向上させる。
論文 参考訳(メタデータ) (2022-01-25T22:01:04Z) - Unsupervised Cross-Modality Domain Adaptation for Segmenting Vestibular
Schwannoma and Cochlea with Data Augmentation and Model Ensemble [4.942327155020771]
本稿では,前庭神経新生と子牛を識別する教師なし学習フレームワークを提案する。
本フレームワークは,T1強調MRI(ceT1-w)とそのラベルからの情報を活用し,対象領域にラベルが存在しないT2強調MRIのセグメンテーションを生成する。
提案手法は,VS と cochlea のそれぞれの平均値 0.7930 と 0.7432 で,有望なセグメンテーションの構築と生成が容易である。
論文 参考訳(メタデータ) (2021-09-24T20:10:05Z) - 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) - UDALM: Unsupervised Domain Adaptation through Language Modeling [79.73916345178415]
複合分類とマスキング言語モデル損失を用いた微調整手順であるUDALMについて紹介します。
本実験では, 混合損失スケールと利用可能な目標データの量で訓練されたモデルの性能を, 停止基準として有効に用いることを示した。
この方法は、amazon reviewsセンチメントデータセットの12のドメインペアで評価され、9.1.74%の精度が得られ、最先端よりも1.11%の絶対的な改善が得られます。
論文 参考訳(メタデータ) (2021-04-14T19:05:01Z) - 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) - Deep Semi-supervised Knowledge Distillation for Overlapping Cervical
Cell Instance Segmentation [54.49894381464853]
本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。
摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。
実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
論文 参考訳(メタデータ) (2020-07-21T13:27:09Z)
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。