論文の概要: Domain Composition and Attention for Unseen-Domain Generalizable Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2109.08852v1
• Date: Sat, 18 Sep 2021 06:42:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-21 16:13:06.371586
• Title: Domain Composition and Attention for Unseen-Domain Generalizable Medical Image Segmentation
• Title（参考訳）: 非知覚領域一般化医用画像セグメンテーションのためのドメイン構成と注意
• Authors: Ran Gu, Jingyang Zhang, Rui Huang, Wenhui Lei, Guotai Wang, Shaoting Zhang
• Abstract要約: 本稿では、ドメイン表現と一般化の能力を向上させるために、ドメイン構成と注意に基づくネットワーク(DCA-Net)を提案する。 まず、基底表現の集合の線形結合により1つの特定の領域を表す領域合成法を提案する。 第二に、これらの基底表現を学習するために、新しいプラグアンドプレイ並列領域を提案する。 第三に、基底表現の線形結合係数を学習するために、領域注目モジュールを提案する。
• 参考スコア（独自算出の注目度）: 12.412110592754729
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Domain generalizable model is attracting increasing attention in medical image analysis since data is commonly acquired from different institutes with various imaging protocols and scanners. To tackle this challenging domain generalization problem, we propose a Domain Composition and Attention-based network (DCA-Net) to improve the ability of domain representation and generalization. First, we present a domain composition method that represents one certain domain by a linear combination of a set of basis representations (i.e., a representation bank). Second, a novel plug-and-play parallel domain preceptor is proposed to learn these basis representations and we introduce a divergence constraint function to encourage the basis representations to be as divergent as possible. Then, a domain attention module is proposed to learn the linear combination coefficients of the basis representations. The result of linear combination is used to calibrate the feature maps of an input image, which enables the model to generalize to different and even unseen domains. We validate our method on public prostate MRI dataset acquired from six different institutions with apparent domain shift. Experimental results show that our proposed model can generalize well on different and even unseen domains and it outperforms state-of-the-art methods on the multi-domain prostate segmentation task.
• Abstract（参考訳）: 様々な画像プロトコルとスキャナーを持つ異なる機関からデータが取得されるため、ドメイン一般化可能なモデルは、医療画像解析において注目を集めている。 この課題に対処するため、ドメイン表現と一般化の能力を向上させるためにドメイン構成と注意に基づくネットワーク(DCA-Net)を提案する。 まず,基底表現の集合(つまり表現バンク)の線形結合により,ある領域を表現するドメイン合成法を提案する。 次に、これらの基底表現を学習するために、新しいプラグ・アンド・プレイ並列ドメイン・プリセプタを提案し、基底表現を可能な限り多様化させるために、分岐制約関数を導入する。 そして,その基底表現の線形結合係数を学習するために,領域注目モジュールを提案する。 線形結合の結果は入力画像の特徴マップを校正するために使用され、モデルが異なる領域や目に見えない領域に一般化することができる。 6つの異なる施設から取得した公共前立腺mriデータセットを用いて,この手法を検証した。 実験結果から,提案手法は異なる領域や見えない領域でもよく一般化でき,多領域前立腺分割タスクにおける最先端手法よりも優れることがわかった。

関連論文リスト

• MI-SegNet: Mutual Information-Based US Segmentation for Unseen Domain Generalization [36.71630929695019]
  ドメイン間の学習に基づく医用画像セグメンテーションの一般化能力は、現在、ドメインシフトによるパフォーマンス劣化によって制限されている。 解剖学的特徴表現とドメイン的特徴表現を明確に切り離す新しい相互情報(MI)ベースのフレームワークであるMI-SegNetを提案する。 パラメータやマシンの異なる複数のデータセットに対して提案したドメインに依存しないセグメンテーション手法の一般化性を検証する。
  論文  参考訳（メタデータ） (2023-03-22T15:30:44Z)
• CDDSA: Contrastive Domain Disentanglement and Style Augmentation for Generalizable Medical Image Segmentation [38.44458104455557]
  医用画像分割のためのCDDSA(Contrastive Domain Disentanglement and Style Augmentation)フレームワークを提案する。 まず、画像をドメイン不変な解剖学的表現とドメイン固有なスタイルコードに分解する。 第二に、より良い絡み合いを実現するために、同じドメインと異なるドメインのスタイルコードをコンパクトで分散させるために、対照的な損失が提案されている。
  論文  参考訳（メタデータ） (2022-11-22T08:25:35Z)
• Generalizable Medical Image Segmentation via Random Amplitude Mixup and Domain-Specific Image Restoration [17.507951655445652]
  本稿では,新しい医用画像分割法を提案する。 具体的には、セグメント化モデルと自己超越ドメイン固有の画像復元モジュールを組み合わせることで、マルチタスクパラダイムとしてアプローチを設計する。 医用画像における2つの一般化可能なセグメンテーションベンチマークにおいて,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-08-08T03:56:20Z)
• Single-domain Generalization in Medical Image Segmentation via Test-time Adaptation from Shape Dictionary [64.5632303184502]
  ドメインの一般化は通常、モデル学習のために複数のソースドメインからのデータを必要とする。 本稿では,1つのソースドメインのみで最悪のシナリオ下でモデルを学習し,異なる未確認対象ドメインに直接一般化する,重要な単一ドメインの一般化問題について考察する。 本稿では,領域間で不変なセグメンテーションのセグメンテーション先情報を抽出し,統合する医用画像セグメンテーションにおいて,この問題に対処する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-06-29T08:46:27Z)
• Contrastive Domain Disentanglement for Generalizable Medical Image Segmentation [12.863227646939563]
  本稿では,一般的な医用画像分割のためのコントラストディスタングル・ドメイン(CDD)ネットワークを提案する。 まず、医用画像を解剖学的表現因子とモダリティ表現因子に分解する不整合ネットワークを導入する。 次に、モデル一般化学習のための新しい領域をランダムに生成できる領域拡張戦略を提案する。
  論文  参考訳（メタデータ） (2022-05-13T10:32:41Z)
• Unsupervised Domain Generalization by Learning a Bridge Across Domains [78.855606355957]
  Unsupervised Domain Generalization (UDG) のセットアップでは、ソースもターゲットドメインもトレーニングの監督は行わない。 本手法は,各トレーニング領域からBrADへの視覚的(イメージ間)マッピングを保存したセマンティクスのセットを伴って,補助的なブリッジドメインであるBrAD(Bridge Across Domains)の自己教師型学習に基づいている。 我々は,エッジレギュラー化したBrADを用いて,UDG,Few-shot UDA,マルチドメインデータセット間の教師なし一般化など,複数のベンチマークやタスクにまたがる大幅な向上を実現する方法を示す。
  論文  参考訳（メタデータ） (2021-12-04T10:25:45Z)
• AFAN: Augmented Feature Alignment Network for Cross-Domain Object Detection [90.18752912204778]
  オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。 本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。 提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2021-06-10T05:01:20Z)
• Batch Normalization Embeddings for Deep Domain Generalization [50.51405390150066]
  ドメインの一般化は、異なるドメインと見えないドメインで堅牢に実行されるように機械学習モデルをトレーニングすることを目的としている。 一般的な領域一般化ベンチマークにおいて,最先端技術よりも分類精度が著しく向上したことを示す。
  論文  参考訳（メタデータ） (2020-11-25T12:02:57Z)
• DoFE: Domain-oriented Feature Embedding for Generalizable Fundus Image Segmentation on Unseen Datasets [96.92018649136217]
  対象ドメインに対するCNNの一般化能力を向上させるために,新しいドメイン指向特徴埋め込み(DoFE)フレームワークを提案する。 私たちのDoFEフレームワークは、マルチソースドメインから学んだ追加のドメイン事前知識で、画像機能を動的に強化します。 本フレームワークは、未確認データセットのセグメンテーション結果を満足して生成し、他の領域の一般化やネットワークの正規化手法を超越する。
  論文  参考訳（メタデータ） (2020-10-13T07:28:39Z)
• Shape-aware Meta-learning for Generalizing Prostate MRI Segmentation to Unseen Domains [68.73614619875814]
  前立腺MRIのセグメント化におけるモデル一般化を改善するために,新しい形状認識メタラーニング手法を提案する。 実験結果から,本手法は未確認領域の6つの設定すべてにおいて,最先端の一般化手法を一貫して上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2020-07-04T07:56:02Z)

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。