論文の概要: Edge-preserving Domain Adaptation for semantic segmentation of Medical
Images
- arxiv url: http://arxiv.org/abs/2111.09847v1
- Date: Thu, 18 Nov 2021 18:14:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-19 13:55:41.998018
- Title: Edge-preserving Domain Adaptation for semantic segmentation of Medical
Images
- Title（参考訳）: 医用画像の意味セグメンテーションのためのエッジ保存領域適応
- Authors: Thong Vo, Naimul Khan
- Abstract要約: ドメイン適応は、目に見えない環境で大量のラベル付きデータの不足に対処する技術である。
本稿では,元の画像のエッジの詳細を維持しつつ,サイクル一貫性損失を用いてドメイン間を適応するモデルを提案する。
2つの眼底血管セグメンテーションデータセットの他のアプローチと比較することにより,本アルゴリズムの有効性を実証する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Domain Adaptation is a technique to address the lack of massive amounts of
labeled data in unseen environments. Unsupervised domain adaptation is proposed
to adapt a model to new modalities using solely labeled source data and
unlabeled target domain data. Though many image-spaces domain adaptation
methods have been proposed to capture pixel-level domain-shift, such techniques
may fail to maintain high-level semantic information for the segmentation task.
For the case of biomedical images, fine details such as blood vessels can be
lost during the image transformation operations between domains. In this work,
we propose a model that adapts between domains using cycle-consistent loss
while maintaining edge details of the original images by enforcing an
edge-based loss during the adaptation process. We demonstrate the effectiveness
of our algorithm by comparing it to other approaches on two eye fundus vessels
segmentation datasets. We achieve 1.1 to 9.2 increment in DICE score compared
to the SOTA and ~5.2 increments compared to a vanilla CycleGAN implementation.
- Abstract（参考訳）: ドメイン適応(domain adaptation)は、未知の環境で大量のラベル付きデータの欠如に対処するテクニックである。
非教師付きドメイン適応は、ラベル付きソースデータとラベルなしターゲットドメインデータを用いて、新しいモダリティにモデルを適用するために提案される。
多くの画像空間領域適応法がピクセルレベルの領域シフトを捉えるために提案されているが、そのような手法はセグメンテーションタスクの高レベルな意味情報を維持できない可能性がある。
バイオメディカル画像の場合、ドメイン間の画像変換操作中に血管などの細部が失われることがある。
本研究では,適応プロセス中にエッジベース損失を強制することにより,元の画像のエッジ詳細を維持しながら,サイクル一貫性損失を用いたドメイン間適応モデルを提案する。
2つの眼底血管セグメンテーションデータセット上の他のアプローチと比較し,本アルゴリズムの有効性を示す。
我々はDICEスコアの1.1から9.2インクリメントをSOTAおよび5.2インクリメントと比較し、バニラのCycleGAN実装と比較した。
関連論文リスト
- I2F: A Unified Image-to-Feature Approach for Domain Adaptive Semantic
Segmentation [55.633859439375044]
意味的セグメンテーションのための教師なしドメイン適応(UDA)は、重いアノテーション作業から人々を解放する有望なタスクである。
この問題に対処する主要なアイデアは、画像レベルと特徴レベルの両方を共同で実行することである。
本稿では,画像レベルと特徴レベルを統一したセマンティックセグメンテーションのための新しいUDAパイプラインを提案する。
論文 参考訳（メタデータ） (2023-01-03T15:19:48Z) - Unsupervised Domain Adaptation for Semantic Segmentation using One-shot
Image-to-Image Translation via Latent Representation Mixing [9.118706387430883]
超高解像度画像のセマンティックセグメンテーションのための新しい教師なし領域適応法を提案する。
潜在コンテンツ表現をドメイン間で混合するエンコーダ・デコーダの原理に基づいて,画像から画像への変換パラダイムを提案する。
都市間比較実験により,提案手法は最先端領域適応法より優れていることが示された。
論文 参考訳（メタデータ） (2022-12-07T18:16:17Z) - Refign: Align and Refine for Adaptation of Semantic Segmentation to
Adverse Conditions [78.71745819446176]
Refignは、ドメイン間の通信を利用する自己学習ベースのUDAメソッドへの汎用的な拡張である。
Refign は,(1) 不確実性を認識した高密度マッチングネットワークを用いて,正常条件画像と対応する悪条件画像とを整列させ,(2) 適応ラベル補正機構を用いて正常予測で悪条件予測を精査する。
このアプローチでは、追加のトレーニングパラメータや、トレーニングのみの計算オーバーヘッドの最小化は導入されず、任意の自己学習ベースのUDAメソッドを改善するためにドロップイン拡張として使用することができる。
論文 参考訳（メタデータ） (2022-07-14T11:30:38Z) - Target and Task specific Source-Free Domain Adaptive Image Segmentation [73.78898054277538]
ソースフリー領域適応画像分割のための2段階のアプローチを提案する。
我々は,高エントロピー領域を抑えつつ,ターゲット固有の擬似ラベルを生成することに注力する。
第2段階では、タスク固有の表現にネットワークを適用することに重点を置いている。
論文 参考訳（メタデータ） (2022-03-29T17:50:22Z) - Privacy Preserving Domain Adaptation for Semantic Segmentation of
Medical Images [13.693640425403636]
非教師付きドメイン適応(UDA)は、未ラベルのターゲットドメインデータのみを用いて新しいモダリティにモデルを適用するために提案される。
UDAのアルゴリズムは、ソースドメインデータがアクセスできないプライバシーに制約された設定で開発します。
本稿では,最新の医用画像セマンティックセグメンテーション手法と比較し,アルゴリズムの有効性を示す。
論文 参考訳（メタデータ） (2021-01-02T22:12:42Z) - Domain Adaptation on Semantic Segmentation for Aerial Images [3.946367634483361]
セマンティックイメージセグメンテーションにおける領域シフトに対処する、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。
また、ターゲット領域にエントロピー最小化を適用し、高信頼な予測を生成する。
様々な指標を用いて最先端手法の改善を示す。
論文 参考訳（メタデータ） (2020-12-03T20:58:27Z) - Pixel-Level Cycle Association: A New Perspective for Domain Adaptive
Semantic Segmentation [169.82760468633236]
本稿では,ソースとターゲットの画素ペア間の画素レベルサイクルの関連性を構築することを提案する。
我々の手法は1段階のエンドツーエンドで訓練でき、追加のパラメータは導入しない。
論文 参考訳（メタデータ） (2020-10-31T00:11:36Z) - Phase Consistent Ecological Domain Adaptation [76.75730500201536]
意味的セグメンテーション(意味的セグメンテーション)の課題に焦点をあてる。そこでは、注釈付き合成データが多用されるが、実際のデータへのアノテートは困難である。
視覚心理学に触発された最初の基準は、2つの画像領域間の地図が位相保存であることである。
第2の基準は、照明剤や撮像センサーの特性に関わらず、その画像に現れる環境統計、またはシーン内の規則を活用することを目的としている。
論文 参考訳（メタデータ） (2020-04-10T06:58:03Z) - Domain Adaptive Medical Image Segmentation via Adversarial Learning of
Disease-Specific Spatial Patterns [6.298270929323396]
複数の領域にまたがる画像セグメンテーション性能を向上させるための教師なしドメイン適応フレームワークを提案する。
我々は,不適切なセグメンテーションパターンを拒絶し,意味情報や境界情報を通じて暗黙的に学習することで,新しいデータに適応するようにアーキテクチャを強制する。
対象領域からのラベルなし画像上でのディープネットワークの再構成により,セグメント化精度が大幅に向上することが実証された。
論文 参考訳（メタデータ） (2020-01-25T13:48:02Z) - CrDoCo: Pixel-level Domain Transfer with Cross-Domain Consistency [119.45667331836583]
教師なしのドメイン適応アルゴリズムは、あるドメインから学んだ知識を別のドメインに転送することを目的としている。
本稿では,新しい画素単位の対向領域適応アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-01-09T19:00:35Z)
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。