論文の概要: Investigation of domain gap problem in several deep-learning-based CT
metal artefact reduction methods
- arxiv url: http://arxiv.org/abs/2111.12983v1
- Date: Thu, 25 Nov 2021 09:36:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-29 17:52:45.704378
- Title: Investigation of domain gap problem in several deep-learning-based CT
metal artefact reduction methods
- Title(参考訳): 深層学習型ct金属アーティファクト低減法における領域ギャップ問題の検討
- Authors: Muge Du, Kaichao Liang, Yinong Liu, Yuxiang Xing
- Abstract要約: シミュレーションデータに基づいて訓練された手法は、実用的なデータではうまく機能しない。
I-DL-MARとDudoNetはトルソデータセットの実用的なデータに有効である。
いずれの方法も, 歯科用データセットの実用データに満足して機能しない。
- 参考スコア(独自算出の注目度): 2.4316550366482357
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Metal artefacts in CT images may disrupt image quality and interfere with
diagnosis. Recently many deep-learning-based CT metal artefact reduction (MAR)
methods have been proposed. Current deep MAR methods may be troubled with
domain gap problem, where methods trained on simulated data cannot perform well
on practical data. In this work, we experimentally investigate two image-domain
supervised methods, two dual-domain supervised methods and two image-domain
unsupervised methods on a dental dataset and a torso dataset, to explore
whether domain gap problem exists or is overcome. We find that I-DL-MAR and
DudoNet are effective for practical data of the torso dataset, indicating the
domain gap problem is solved. However, none of the investigated methods perform
satisfactorily on practical data of the dental dataset. Based on the
experimental results, we further analyze the causes of domain gap problem for
each method and dataset, which may be beneficial for improving existing methods
or designing new ones. The findings suggest that the domain gap problem in deep
MAR methods remains to be addressed.
- Abstract(参考訳): ct画像中の金属アーティファクトは、画像品質を乱し、診断を妨げる可能性がある。
近年, 深層学習に基づくCT金属アーチファクト削減法が多数提案されている。
現在の深層MAR法は、シミュレーションデータで訓練された手法が実用的なデータではうまく動作しない領域ギャップ問題に悩まされる可能性がある。
本研究では,2つの画像領域監督法,2つの二重領域監督法,および2つの画像領域監督法を歯科用データセットと胴体用データセット上で実験的に検討し,領域ギャップ問題が存在するか克服されているかを検討した。
我々は, i-dl-mar と dudonet がtorsoデータセットの実用データに有効であることを見出し, 領域ギャップ問題を解く。
しかし, いずれの方法も歯科用データセットの実用データに満足して機能しない。
実験結果に基づき,既存手法の改善や新手法の設計に有用と思われる各手法とデータセットに対するドメインギャップ問題の原因をさらに分析する。
その結果,深部MAR法における領域ギャップ問題は未解決であることが示唆された。
関連論文リスト
- Domain knowledge-informed Synthetic fault sample generation with Health
Data Map for cross-domain Planetary Gearbox Fault Diagnosis [7.88657961743755]
本稿では、健康データマップ(HDMap)を利用した2つの新しいドメイン知識情報合成手法を提案する。
HDMapは、惑星のギアボックスの振動信号を画像のようなマトリックスとして物理的に表現するために使用され、断層に関連した特徴を可視化することができる。
次に、CutPasteとFactPasteが適用され、ソースドメインから抽出されたドメイン知識と障害シグネチャを使用して、ターゲットドメインの健全なデータに基づいて障害サンプルを生成する。
論文 参考訳(メタデータ) (2023-05-31T05:37:17Z) - Unpaired Image Translation to Mitigate Domain Shift in Liquid Argon Time
Projection Chamber Detector Responses [6.090723189622945]
ドメインシフト問題」は、アルゴリズムがシミュレーションデータに基づいて訓練されるが、実際のデータセットに適用される多くの科学領域で一般的である。
この研究は、ダウンストリームアルゴリズムに特有でないドメインシフト問題を解決するために、代替手法を使用することの可能性を探る。
提案手法は、教師なしの方法で異なる画像領域間の翻訳を見つけるために設計された、最新の画像から画像への翻訳技術に依存している。
論文 参考訳(メタデータ) (2023-04-25T14:29:54Z) - SALUDA: Surface-based Automotive Lidar Unsupervised Domain Adaptation [62.889835139583965]
我々は、ソースデータとターゲットデータに基づいて、暗黙の基盤となる表面表現を同時に学習する教師なし補助タスクを導入する。
両方のドメインが同じ遅延表現を共有しているため、モデルは2つのデータソース間の不一致を許容せざるを得ない。
実験の結果,本手法は実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-
論文 参考訳(メタデータ) (2023-04-06T17:36:23Z) - LE-UDA: Label-efficient unsupervised domain adaptation for medical image
segmentation [24.655779957716558]
ラベル有効非教師付きドメイン適応(LE-UDA)と呼ばれる新規で汎用的なフレームワークを提案する。
LE-UDAでは、両ドメイン間の知識伝達のための自己認識一貫性と、UDAの機能アライメントを向上するために自己認識学習モジュールを構築している。
実験結果から,提案するLE-UDAは,限られたソースラベルを有効活用し,ドメイン間セグメンテーション性能を向上し,文献における最先端のUDAアプローチより優れていることが示された。
論文 参考訳(メタデータ) (2022-12-05T07:47:35Z) - Learning Feature Decomposition for Domain Adaptive Monocular Depth
Estimation [51.15061013818216]
改良されたアプローチは、深層学習の進歩で大きな成功をもたらしたが、それらは大量の地底深度アノテーションに依存している。
教師なしドメイン適応(UDA)は、教師付き学習の制約を緩和するため、ラベル付きソースデータからラベルなしターゲットデータに知識を転送する。
本稿では,その特徴空間をコンテンツやスタイルコンポーネントに分解することを学ぶための,学習特徴分解 for Adaptation (LFDA) と呼ばれる新しいMDEのためのUDA手法を提案する。
論文 参考訳(メタデータ) (2022-07-30T08:05:35Z) - Decompose to Adapt: Cross-domain Object Detection via Feature
Disentanglement [79.2994130944482]
本研究では,DDF(Domain Disentanglement Faster-RCNN)を設計し,タスク学習のための特徴のソース固有情報を排除した。
DDF法は,グローバルトリプルト・ディアンタングルメント(GTD)モジュールとインスタンス類似性・ディアンタングルメント(ISD)モジュールを用いて,グローバルおよびローカルステージでの機能ディアンタングルを容易にする。
提案手法は,4つのUDAオブジェクト検出タスクにおいて最先端の手法より優れており,広い適用性で有効であることが実証された。
論文 参考訳(メタデータ) (2022-01-06T05:43:01Z) - Towards Robust Cross-domain Image Understanding with Unsupervised Noise
Removal [18.21213151403402]
ソース領域がノイズである場合に、クロスドメイン画像理解のための現代ドメイン適応手法が不十分であることが判明した。
Weakly Supervised Domain Adaptation (WSDA) のための新しいノイズ耐性ドメイン適応法を提案する。
新型コロナウイルスおよび電子商取引データセットの一般画像と医用画像の両面において,本手法の有効性を評価するため,広範な実験を行った。
論文 参考訳(メタデータ) (2021-09-09T14:06:59Z) - Improving Transferability of Domain Adaptation Networks Through Domain
Alignment Layers [1.3766148734487902]
マルチソースアン教師付きドメイン適応(MSDA)は、ソースモデルの袋から弱い知識を割り当てることで、ラベルのないドメインの予測子を学習することを目的としている。
我々は,DomaIn Alignment Layers (MS-DIAL) のマルチソースバージョンを予測器の異なるレベルに埋め込むことを提案する。
我々の手法は最先端のMSDA法を改善することができ、分類精度の相対利得は+30.64%に達する。
論文 参考訳(メタデータ) (2021-09-06T18:41:19Z) - Towards Domain-Agnostic Contrastive Learning [103.40783553846751]
そこで本研究では,DACLという対照的学習に対するドメインに依存しない新しいアプローチを提案する。
このアプローチの鍵となるのは、Mixupノイズを使用して、入力レベルと隠された状態レベルの両方で異なるデータサンプルを混合することで、類似した、異種なサンプルを作成することです。
以上の結果から,DACLはガウスノイズなどの他のドメインに依存しないノイズ発生手法よりも優れるだけでなく,SimCLRのようなドメイン固有の手法とうまく結合していることがわかった。
論文 参考訳(メタデータ) (2020-11-09T13:41:56Z) - A Review of Single-Source Deep Unsupervised Visual Domain Adaptation [81.07994783143533]
大規模ラベル付きトレーニングデータセットにより、ディープニューラルネットワークは、幅広いベンチマークビジョンタスクを拡張できるようになった。
多くのアプリケーションにおいて、大量のラベル付きデータを取得するのは非常に高価で時間を要する。
限られたラベル付きトレーニングデータに対処するため、大規模ラベル付きソースドメインでトレーニングされたモデルを、疎ラベルまたは未ラベルのターゲットドメインに直接適用しようと試みている人も多い。
論文 参考訳(メタデータ) (2020-09-01T00:06:50Z) - Multi-source Domain Adaptation in the Deep Learning Era: A Systematic
Survey [53.656086832255944]
マルチソースドメイン適応(MDA)は、ラベル付きデータを複数のソースから収集できる強力な拡張である。
MDAは学術と産業の両方で注目を集めている。
論文 参考訳(メタデータ) (2020-02-26T08:07:58Z)
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。