論文の概要: Unsupervised Cross-Modality Domain Adaptation for Segmenting Vestibular
Schwannoma and Cochlea with Data Augmentation and Model Ensemble
- arxiv url: http://arxiv.org/abs/2109.12169v1
- Date: Fri, 24 Sep 2021 20:10:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-01 09:50:16.668871
- Title: Unsupervised Cross-Modality Domain Adaptation for Segmenting Vestibular
Schwannoma and Cochlea with Data Augmentation and Model Ensemble
- Title(参考訳): データ拡張とモデルアンサンブルを併用した前庭神経癌とコチェリーの非教師的クロスモーダルドメイン適応
- Authors: Hao Li, Dewei Hu, Qibang Zhu, Kathleen E. Larson, Huahong Zhang, and
Ipek Oguz
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 4.942327155020771
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Magnetic resonance images (MRIs) are widely used to quantify vestibular
schwannoma and the cochlea. Recently, deep learning methods have shown
state-of-the-art performance for segmenting these structures. However, training
segmentation models may require manual labels in target domain, which is
expensive and time-consuming. To overcome this problem, domain adaptation is an
effective way to leverage information from source domain to obtain accurate
segmentations without requiring manual labels in target domain. In this paper,
we propose an unsupervised learning framework to segment the VS and cochlea.
Our framework leverages information from contrast-enhanced T1-weighted (ceT1-w)
MRIs and its labels, and produces segmentations for T2-weighted MRIs without
any labels in the target domain. We first applied a generator to achieve
image-to-image translation. Next, we ensemble outputs from an ensemble of
different models to obtain final segmentations. To cope with MRIs from
different sites/scanners, we applied various 'online' augmentations during
training to better capture the geometric variability and the variability in
image appearance and quality. Our method is easy to build and produces
promising segmentations, with a mean Dice score of 0.7930 and 0.7432 for VS and
cochlea respectively in the validation set.
- Abstract(参考訳): 磁気共鳴画像(MRI)は,前庭性シワノーマと内耳の定量化に広く用いられている。
近年,これらの構造をセグメント化するためのディープラーニング手法が注目されている。
しかしながら、トレーニングセグメンテーションモデルは、コストと時間を要するターゲットドメインの手動ラベルを必要とする可能性がある。
この問題を解決するために、ドメイン適応は、ソースドメインからの情報を有効活用して、ターゲットドメインに手動ラベルを必要とせずに正確なセグメンテーションを得る方法である。
本稿では,VS と cochlea をセグメント化するための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,T2強調MRIのセグメンテーションを生成する。
まず,画像から画像への変換を実現するためにジェネレータを適用した。
次に、異なるモデルのアンサンブルからの出力をアンサンブルし、最終セグメンテーションを得る。
異なる部位/スキャナーからのMRIに対処するために,トレーニング中に様々な「オンライン」拡張を適用し,画像の外観や品質の幾何学的変動と変動をよりよく捉えた。
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。
関連論文リスト
- Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。
半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文 参考訳(メタデータ) (2023-12-26T12:56:31Z) - MS-MT: Multi-Scale Mean Teacher with Contrastive Unpaired Translation
for Cross-Modality Vestibular Schwannoma and Cochlea Segmentation [11.100048696665496]
教師なしドメイン適応(UDA)メソッドは、有望なクロスモダリティセグメンテーション性能を達成した。
本稿では,2つの重要な脳構造の自動分割のための,マルチスケールの自己組織化に基づくUDAフレームワークを提案する。
提案手法は,平均Diceスコアが83.8%,81.4%の有望なセグメンテーション性能を示す。
論文 参考訳(メタデータ) (2023-03-28T08:55:00Z) - Self-Supervised Correction Learning for Semi-Supervised Biomedical Image
Segmentation [84.58210297703714]
半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。
共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。
異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
論文 参考訳(メタデータ) (2023-01-12T08:19:46Z) - Semi-Supervised Domain Generalization for Cardiac Magnetic Resonance
Image Segmentation with High Quality Pseudo Labels [8.283424744148258]
半教師型医療セグメント化のための領域一般化手法を提案する。
本研究の主な目的は,各種領域を用いた極端なMRI解析による擬似ラベルの品質向上である。
本手法は呼吸運動の異なる心臓磁気共鳴画像の正確なセグメンテーション結果を連続的に生成する。
論文 参考訳(メタデータ) (2022-09-30T12:57:41Z) - COSMOS: Cross-Modality Unsupervised Domain Adaptation for 3D Medical
Image Segmentation based on Target-aware Domain Translation and Iterative
Self-Training [6.513315990156929]
我々は,COSMOSという3次元医用画像セグメント作成のための,自己学習に基づく教師なしドメイン適応フレームワークを提案する。
我々のターゲット認識コントラスト変換ネットワークは、ソース領域の注釈付きT1 MRIを擬似T2 MRIに変換し、ターゲット領域でのセグメンテーショントレーニングを可能にする。
COSMOSは、第24回医用画像コンピューティングおよびコンピュータ支援介入国際会議(MICCAI 2021)と共同で開催されたクロスモダリティドメイン適応(crossMoDA)チャレンジで1textsuperscriptationで優勝した。
論文 参考訳(メタデータ) (2022-03-30T18:00:07Z) - Unsupervised Domain Adaptation with Contrastive Learning for OCT
Segmentation [49.59567529191423]
本稿では,新しい未ラベル領域からのボリューム画像のセグメンテーションのための,新しい半教師付き学習フレームワークを提案する。
教師付き学習とコントラスト学習を併用し、3次元の近傍スライス間の類似性を利用したコントラストペア方式を導入する。
論文 参考訳(メタデータ) (2022-03-07T19:02:26Z) - 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) - Semantic Segmentation with Generative Models: Semi-Supervised Learning
and Strong Out-of-Domain Generalization [112.68171734288237]
本論文では,画像とラベルの再生モデルを用いた識別画素レベルのタスクのための新しいフレームワークを提案する。
我々は,共同画像ラベルの分布を捕捉し,未ラベル画像の大規模な集合を用いて効率的に訓練する生成的対向ネットワークを学習する。
ドメイン内性能をいくつかのベースラインと比較し,ドメイン外一般化を極端に示す最初の例である。
論文 参考訳(メタデータ) (2021-04-12T21:41:25Z) - ICMSC: Intra- and Cross-modality Semantic Consistency for Unsupervised
Domain Adaptation on Hip Joint Bone Segmentation [1.4148874598036136]
UDAのためのICMSC(Intra- and Cross-modality semantic consistent)を提案する。
提案手法では,アセタブルムの平均DICEは81.61%,近位大腿骨は88.16%であった。
UDAなしでは、股関節骨分割のためのCTで訓練されたモデルはMRIに転送できず、ほぼゼロDICE分割を有する。
論文 参考訳(メタデータ) (2020-12-23T09:58:38Z) - 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。