論文の概要: The Impact of Domain Shift on Left and Right Ventricle Segmentation in Short Axis Cardiac MR Images

• arxiv url: http://arxiv.org/abs/2109.13230v1
• Date: Wed, 22 Sep 2021 19:55:15 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-10 14:30:44.814255
• Title: The Impact of Domain Shift on Left and Right Ventricle Segmentation in Short Axis Cardiac MR Images
• Title（参考訳）: 短軸心MR画像における領域シフトが左心室分節および右心室分節に及ぼす影響
• Authors: Devran Ugurlu, Esther Puyol-Anton, Bram Ruijsink, Alistair Young, Ines Machado, Kerstin Hammernik, Andrew P. King, Julia A. Schnabel
• Abstract要約: ドメインシフト(Domain shift)とは、2つのデータセット(通常、トレーニングセットと機械学習アルゴリズムのテストセット)のデータ分散の違いを指す。 医用画像では、異なるスキャナやスキャンプロトコルなど、多くのドメインシフトの原因が存在する可能性がある。 本稿では,短軸心MR画像における左室と右室の血液プールセグメンテーションに対する領域シフトの影響について検討する。
• 参考スコア（独自算出の注目度）: 3.9852702145048515
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Domain shift refers to the difference in the data distribution of two datasets, normally between the training set and the test set for machine learning algorithms. Domain shift is a serious problem for generalization of machine learning models and it is well-established that a domain shift between the training and test sets may cause a drastic drop in the model's performance. In medical imaging, there can be many sources of domain shift such as different scanners or scan protocols, different pathologies in the patient population, anatomical differences in the patient population (e.g. men vs women) etc. Therefore, in order to train models that have good generalization performance, it is important to be aware of the domain shift problem, its potential causes and to devise ways to address it. In this paper, we study the effect of domain shift on left and right ventricle blood pool segmentation in short axis cardiac MR images. Our dataset contains short axis images from 4 different MR scanners and 3 different pathology groups. The training is performed with nnUNet. The results show that scanner differences cause a greater drop in performance compared to changing the pathology group, and that the impact of domain shift is greater on right ventricle segmentation compared to left ventricle segmentation. Increasing the number of training subjects increased cross-scanner performance more than in-scanner performance at small training set sizes, but this difference in improvement decreased with larger training set sizes. Training models using data from multiple scanners improved cross-domain performance.
• Abstract（参考訳）: ドメインシフト(Domain shift)とは、2つのデータセット(通常、トレーニングセットと機械学習アルゴリズムのテストセット)のデータ分散の違いを指す。 ドメインシフトは機械学習モデルを一般化する上で深刻な問題であり、トレーニングとテストセットの間のドメインシフトがモデルの性能を大幅に低下させる可能性があることは確実である。 医療画像では、異なるスキャナーやスキャンプロトコル、患者集団の異なる病理、患者集団の解剖学的差異(例えば、男性と女性)など、多くのドメインシフトの原因が存在する。 したがって、一般化性能のよいモデルを訓練するためには、ドメインシフト問題とその潜在的な原因を認識し、それに対処する方法を考案することが重要である。 本稿では,短軸心MR画像における左室と右室の血液プールセグメンテーションに対する領域シフトの影響について検討する。 本データセットは4種類のMRスキャナーと3種類の病理組織群からの短軸画像を含む。 トレーニングはnnUNetで行われます。 その結果, スキャナの違いは, 病理群の変化に比較して有意に低下し, 左室分画よりも右室分画にドメインシフトの影響が大きいことがわかった。 トレーニング対象者数の増加は,小規模トレーニングセットサイズではクロススキャナのパフォーマンスよりも向上したが,トレーニングセットサイズが大きくなるにつれて改善の差は減少した。 複数のスキャナからのデータを用いたトレーニングモデルにより、クロスドメインのパフォーマンスが向上した。

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)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• Curriculum-Based Augmented Fourier Domain Adaptation for Robust Medical Image Segmentation [18.830738606514736]
  本研究は、堅牢な医用画像分割のためのカリキュラムベースの拡張フーリエドメイン適応(Curri-AFDA)を提案する。 特に、カリキュラム学習戦略は、異なるレベルのデータシフトの下でのモデルの因果関係に基づいている。 複数のサイトやスキャナーから収集した網膜と核の2つのセグメンテーションタスクの実験から,提案手法が優れた適応と一般化性能をもたらすことが示唆された。
  論文  参考訳（メタデータ） (2023-06-06T08:56:58Z)
• Data-Efficient Vision Transformers for Multi-Label Disease Classification on Chest Radiographs [55.78588835407174]
  視覚変換器(ViT)は一般的な画像の分類性能が高いにもかかわらず、このタスクには適用されていない。 ViTは、畳み込みではなくパッチベースの自己アテンションに依存しており、CNNとは対照的に、ローカル接続に関する事前の知識は存在しない。 以上の結果から,ViTとCNNのパフォーマンスはViTの利点に匹敵するものの,DeiTsはトレーニング用に適度に大規模なデータセットが利用可能であれば,前者よりも優れることがわかった。
  論文  参考訳（メタデータ） (2022-08-17T09:07:45Z)
• Disentangled Modeling of Domain and Relevance for Adaptable Dense Retrieval [54.349418995689284]
  本稿では,Dense Retrieval (DDR) という新しいフレームワークを提案する。 REMとDAMをアンタングルにすることで、DDRはフレキシブルなトレーニングパラダイムを可能にし、REMは一度監視でトレーニングされ、DAMは教師なしのデータでトレーニングされる。 DDRは強力なDRベースラインに比べて格付け性能が大幅に向上し、ほとんどのシナリオにおいて従来の検索手法よりも大幅に向上する。
  論文  参考訳（メタデータ） (2022-08-11T11:18:50Z)
• Hospital-Agnostic Image Representation Learning in Digital Pathology [0.7412445894287709]
  デジタル病理学における全スライド画像(WSI)は、がんの亜型を診断するために用いられる。 各種試験場でのWSI取得手順の違いは,病理組織像の変動を引き起こす。 本研究では,DNN(Deep Neural Network)の一般化能力向上のために,ドメイン一般化手法を活用する。
  論文  参考訳（メタデータ） (2022-04-05T11:45:46Z)
• 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)
• Unsupervised Domain Adaptation via CycleGAN for White Matter Hyperintensity Segmentation in Multicenter MR Images [2.627822659948232]
  磁気共鳴画像における白色物質の過強度の定量化は、脳卒中、認知症、死亡のリスクを予測する指標となる。 過去数年間、バイオメディカルなイメージセグメンテーションに適した畳み込みニューラルネットワーク(CNN)は、このタスクにおけるこれまでのすべての技術より優れている。 本研究では,脳病変を有するマルチセンターMR画像に対して,非教師なし領域適応を行うために,CycleGAN (CycleGAN) を用いた方法について検討する。
  論文  参考訳（メタデータ） (2020-09-10T16:48:19Z)
• Domain-Adversarial Learning for Multi-Centre, Multi-Vendor, and Multi-Disease Cardiac MR Image Segmentation [3.4551186283197883]
  ドメイン逆学習は、ラベル付きおよび非ラベル付きデータを使用して、ドメイン不変の2D U-Netをトレーニングするために使用される。 このアプローチは、M&Msチャレンジデータセットから、目に見えない領域と見えない領域の両方で評価される。
  論文  参考訳（メタデータ） (2020-08-26T19:40:55Z)
• 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)
• Improved inter-scanner MS lesion segmentation by adversarial training on longitudinal data [0.0]
  ホワイトマター病変進展の評価は,MS患者の経過観察において重要なバイオマーカーである。 現在の自動病変分割アルゴリズムは、MRIスキャナーやプロトコルの違いに関連する画像特性の変化の影響を受けやすい。 スキャン間研究におけるMS病変のセグメンテーションの整合性を改善するモデルを提案する。
  論文  参考訳（メタデータ） (2020-02-03T16:56:05Z)

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。