論文の概要: Neural Style Transfer and Unpaired Image-to-Image Translation to deal
with the Domain Shift Problem on Spheroid Segmentation
- arxiv url: http://arxiv.org/abs/2112.09043v1
- Date: Thu, 16 Dec 2021 17:34:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-17 15:15:26.069922
- Title: Neural Style Transfer and Unpaired Image-to-Image Translation to deal
with the Domain Shift Problem on Spheroid Segmentation
- Title(参考訳): スフェロイドセグメンテーションにおける領域シフト問題に対処するためのニューラルスタイル転送と画像対画像変換
- Authors: Manuel Garc\'ia-Dom\'inguez and C\'esar Dom\'inguez and J\'onathan
Heras and Eloy Mata and Vico Pascual
- Abstract要約: ドメインシフト(Domain shift)は、機械学習モデルの一般化問題であり、トレーニングセットのデータ分散が、デプロイ時にモデルが直面するデータ分散とは異なるときに発生する。
これは、実験条件、機器、撮影設定のばらつきによる生体画像のセグメンテーションの文脈で一般的である。
IoUを97%以上達成した4つのディープラーニングセグメンテーションモデルによる球面分割の文脈における領域シフト問題について,トレーニング分布に追従した画像を用いて検証した結果,異なる条件下で撮影された画像に適用した場合,84%まで性能が低下した。
- 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: Background and objectives. Domain shift is a generalisation problem of
machine learning models that occurs when the data distribution of the training
set is different to the data distribution encountered by the model when it is
deployed. This is common in the context of biomedical image segmentation due to
the variance of experimental conditions, equipment, and capturing settings. In
this work, we address this challenge by studying both neural style transfer
algorithms and unpaired image-to-image translation methods in the context of
the segmentation of tumour spheroids.
Methods. We have illustrated the domain shift problem in the context of
spheroid segmentation with 4 deep learning segmentation models that achieved an
IoU over 97% when tested with images following the training distribution, but
whose performance decreased up to an 84\% when applied to images captured under
different conditions. In order to deal with this problem, we have explored 3
style transfer algorithms (NST, deep image analogy, and STROTSS), and 6
unpaired image-to-image translations algorithms (CycleGAN, DualGAN, ForkGAN,
GANILLA, CUT, and FastCUT). These algorithms have been integrated into a
high-level API that facilitates their application to other contexts where the
domain-shift problem occurs.
Results. We have considerably improved the performance of the 4 segmentation
models when applied to images captured under different conditions by using both
style transfer and image-to-image translation algorithms. In particular, there
are 2 style transfer algorithms (NST and deep image analogy) and 1 unpaired
image-to-image translations algorithm (CycleGAN) that improve the IoU of the
models in a range from 0.24 to 76.07. Therefore, reaching a similar performance
to the one obtained with the models are applied to images following the
training distribution.
- Abstract(参考訳): 背景と目的。
ドメインシフト(Domain shift)は、機械学習モデルの一般化問題であり、トレーニングセットのデータ分散が、デプロイ時にモデルが直面するデータ分散とは異なるときに発生する。
これは、実験条件、機器、撮影設定のばらつきによる生体画像のセグメンテーションの文脈で一般的である。
本研究では, 腫瘍球状化のセグメンテーションの文脈において, ニューラルスタイルのトランスファーアルゴリズムと画像間変換の両手法を併用してこの問題に対処する。
メソッド。
IoUを97%以上達成した4つのディープラーニングセグメンテーションモデルによる球面分割の文脈における領域シフト問題について,トレーニング分布に追従した画像を用いて検証した結果,異なる条件下で撮影された画像に適用した場合,85%まで性能が低下した。
この問題に対処するため,NST,ディープイメージ類似,STROTSSの3つのスタイル転送アルゴリズムと,CycleGAN,DualGAN,ForkGAN,GANILLA,CUT,FastCUTの6つの未ペアイメージ変換アルゴリズムについて検討した。
これらのアルゴリズムは高レベルのAPIに統合され、ドメインシフト問題が発生する他のコンテキストへのアプリケーション導入を容易にする。
結果だ
スタイル変換と画像間変換の両アルゴリズムを用いて、異なる条件下で撮影された画像に適用した場合の4分割モデルの性能を大幅に改善した。
特に、0.24から76.07の範囲でモデルのIoUを改善する2つのスタイル転送アルゴリズム(NSTとDeep Image analogy)と1つの未ペア画像画像変換アルゴリズム(CycleGAN)がある。
したがって、トレーニング分布の後の画像に対して、モデルで得られたものと同様の性能に達する。
関連論文リスト
- Anatomical Conditioning for Contrastive Unpaired Image-to-Image Translation of Optical Coherence Tomography Images [0.0]
我々は,光コヒーレンストモグラフィー(OCT)データセットを用いたSpectralis-OCT画像とHome-OCT画像の問題点について検討した。
I2I翻訳は画像が損なわれないため難しい。
提案手法は,スタイル変換された画像とターゲット分布との類似性を高める。
論文 参考訳(メタデータ) (2024-04-08T11:20:28Z) - ACE: Zero-Shot Image to Image Translation via Pretrained
Auto-Contrastive-Encoder [2.1874189959020427]
本研究では,同じデータ分布内のサンプルの類似点と相違点を学習し,画像の特徴を抽出する手法を提案する。
ACEの設計により、画像翻訳タスクのトレーニングを初めて行うことなく、ゼロショット画像から画像への変換を実現することができる。
本モデルは,ゼロショット学習を用いたマルチモーダル画像翻訳タスクにおける競合的な結果も達成する。
論文 参考訳(メタデータ) (2023-02-22T23:52:23Z) - Smooth image-to-image translations with latent space interpolations [64.8170758294427]
マルチドメインイメージ・トゥ・イメージ(I2I)変換は、ターゲットドメインのスタイルに応じてソースイメージを変換することができる。
我々の正規化技術は、最先端のI2I翻訳を大きなマージンで改善できることを示す。
論文 参考訳(メタデータ) (2022-10-03T11:57:30Z) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳(メタデータ) (2022-04-19T10:41:09Z) - 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) - DSP: Dual Soft-Paste for Unsupervised Domain Adaptive Semantic
Segmentation [97.74059510314554]
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、ラベル付きソースドメインで訓練されたセグメンテーションモデルをラベル付きターゲットドメインに適応させることを目的としている。
既存の手法では、大きなドメインギャップに悩まされながら、ドメイン不変の特徴を学習しようとする。
本稿では,新しいDual Soft-Paste (DSP)法を提案する。
論文 参考訳(メタデータ) (2021-07-20T16:22:40Z) - A Hierarchical Transformation-Discriminating Generative Model for Few
Shot Anomaly Detection [93.38607559281601]
各トレーニングイメージのマルチスケールパッチ分布をキャプチャする階層的生成モデルを開発した。
この異常スコアは、スケール及び画像領域にわたる正しい変換のパッチベースの投票を集約して得られる。
論文 参考訳(メタデータ) (2021-04-29T17:49:48Z) - Unsupervised Image-to-Image Translation via Pre-trained StyleGAN2
Network [73.5062435623908]
本稿では,一連のモデル変換によって対象領域に新たなモデルを生成する新しいI2I翻訳手法を提案する。
潜在ベクトルを生成されたモデルに入力することで、ソースドメインとターゲットドメインの間でI2I翻訳を行うことができる。
論文 参考訳(メタデータ) (2020-10-12T13:51:40Z) - GAIT: Gradient Adjusted Unsupervised Image-to-Image Translation [5.076419064097734]
対向損失を利用して、翻訳された画像セットと対象画像セットの分布を一致させる。
これにより、2つの領域が例えば一様領域において異なる辺分布を持つようなアーティファクトが生成される。
本稿では,翻訳後の一様領域を保存する教師なしIITを提案する。
論文 参考訳(メタデータ) (2020-09-02T08:04:00Z) - Radon cumulative distribution transform subspace modeling for image
classification [18.709734704950804]
画像変形モデルの幅広いクラスに適用可能な新しい教師付き画像分類法を提案する。
この方法は、画像データに先述のRandon Cumulative Distribution Transform(R-CDT)を用いる。
テスト精度の向上に加えて,計算効率の向上も示す。
論文 参考訳(メタデータ) (2020-04-07T19:47:26Z)
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。