論文の概要: Few-shot Unsupervised Domain Adaptation for Multi-modal Cardiac Image Segmentation

• arxiv url: http://arxiv.org/abs/2201.12386v1
• Date: Fri, 28 Jan 2022 19:28:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-05 07:49:36.682263
• Title: Few-shot Unsupervised Domain Adaptation for Multi-modal Cardiac Image Segmentation
• Title（参考訳）: マルチモーダル心内画像分割のための非教師なし領域適応
• Authors: Mingxuan Gu, Sulaiman Vesal, Ronak Kosti, Andreas Maier
• Abstract要約: 非教師なしドメイン適応(UDA)手法は、ラベルなしターゲットドメインとラベル付きソースドメインデータを使用することで、ソースとターゲットドメインのギャップを減らすことを目的としている。 本稿では, 対象患者1名のみを対象とする, 現実的なシナリオにおいて, UDA の可能性について検討する。 我々はまず、まずソース画像からターゲットスタイルの画像を生成し、ランダム適応インスタンス正規化(RAIN)を持つ単一ターゲット患者から多様なターゲットスタイルを探索する。 そして、生成したターゲット画像と教師付きでセグメンテーションネットワークを訓練する。
• 参考スコア（独自算出の注目度）: 16.94252910722673
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unsupervised domain adaptation (UDA) methods intend to reduce the gap between source and target domains by using unlabeled target domain and labeled source domain data, however, in the medical domain, target domain data may not always be easily available, and acquiring new samples is generally time-consuming. This restricts the development of UDA methods for new domains. In this paper, we explore the potential of UDA in a more challenging while realistic scenario where only one unlabeled target patient sample is available. We call it Few-shot Unsupervised Domain adaptation (FUDA). We first generate target-style images from source images and explore diverse target styles from a single target patient with Random Adaptive Instance Normalization (RAIN). Then, a segmentation network is trained in a supervised manner with the generated target images. Our experiments demonstrate that FUDA improves the segmentation performance by 0.33 of Dice score on the target domain compared with the baseline, and it also gives 0.28 of Dice score improvement in a more rigorous one-shot setting. Our code is available at \url{https://github.com/MingxuanGu/Few-shot-UDA}.
• Abstract（参考訳）: 非教師なしドメイン適応(UDA)手法は、ラベル付けされていないターゲットドメインとラベル付けされたソースドメインデータを使用することで、ソースとターゲットドメイン間のギャップを減らすことを目的としている。 これにより、新しいドメインに対するUDAメソッドの開発が制限される。 本稿では,1つの未ラベル患者サンプルのみを利用できる現実的なシナリオにおいて,UDAの可能性を探る。 これをマイショット非教師なしドメイン適応(fuda)と呼ぶ。 まず、ソース画像からターゲットスタイルの画像を生成し、ランダム適応インスタンス正規化(rain)のある単一のターゲット患者から多様なターゲットスタイルを探索する。 そして、生成された対象画像に教師付きでセグメント化ネットワークを訓練する。 実験の結果,FUDAはベースラインに比べて目標領域でのDiceスコアの0.33向上し,より厳密なワンショット設定でDiceスコアの0.28向上を達成できた。 私たちのコードは \url{https://github.com/MingxuanGu/Few-shot-UDA} で利用可能です。

関連論文リスト

• UPL-SFDA: Uncertainty-aware Pseudo Label Guided Source-Free Domain Adaptation for Medical Image Segmentation [21.583847757015157]
  医用画像セグメンテーションのための新しいuncertainty-aware Pseudo Label guided (UPL)法を提案する。 具体的には,ターゲット領域における予測の多様性を高めるために,ターゲット領域成長(TDG)を提案する。 また,ある前方パスで得られた疑似ラベルを用いて,次の前方パスで予測を監督するTwice Forward Pass Supervision(TFS)戦略を提案する。
  論文  参考訳（メタデータ） (2023-09-19T01:52:37Z)
• Spectral Adversarial MixUp for Few-Shot Unsupervised Domain Adaptation [72.70876977882882]
  臨床応用においては、トレーニング画像(ソース領域)とテスト画像(ターゲット領域)が異なる分布下にある場合、ドメインシフトは一般的な問題である。 本稿では,Few-Shot Unsupervised Domain Adaptation (FSUDA) の新たな手法を提案する。
  論文  参考訳（メタデータ） (2023-09-03T16:02:01Z)
• Source-Free Domain Adaptation for Medical Image Segmentation via Prototype-Anchored Feature Alignment and Contrastive Learning [57.43322536718131]
  医用画像セグメンテーションのための2段階のソースフリードメイン適応(SFDA)フレームワークを提案する。 プロトタイプアンコールされた特徴アライメントの段階では,まず,事前学習した画素ワイド分類器の重みを原プロトタイプとして利用する。 そこで,本研究では,目標となる特徴とクラスプロトタイプとの整合性を期待するコストを最小化し,双方向輸送を導入する。
  論文  参考訳（メタデータ） (2023-07-19T06:07:12Z)
• ConFUDA: Contrastive Fewshot Unsupervised Domain Adaptation for Medical Image Segmentation [12.991221415461673]
  Unsupervised domain adapt (UDA) は、ラベル付きソースドメインから未ラベルのターゲットドメインに学習した知識を転送することを目的としている。 画像セグメント化では、画素単位のコントラスト損失の計算による大きなメモリフットプリントは使用を禁止している。 本稿では,CCL(Centroid-based contrastive learning)とCNR(Centroid norm regularizer)を提案する。
  論文  参考訳（メタデータ） (2022-06-08T13:39:12Z)
• 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)
• Discover, Hallucinate, and Adapt: Open Compound Domain Adaptation for Semantic Segmentation [91.30558794056056]
  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)が近年注目を集めている。 我々は,発見,幻覚,適応の3つの主要な設計原則に基づく新しいフレームワークを提案する。 我々は、標準ベンチマークGTAからC自動運転へのソリューションの評価を行い、新しい最先端の結果を得た。
  論文  参考訳（メタデータ） (2021-10-08T13:20:09Z)
• Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training for Road Segmentation of Remote Sensing Images [93.50240389540252]
  リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。 本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。 2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手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） (2021-08-28T09:29:14Z)
• Semi-Supervised Domain Adaptation with Prototypical Alignment and Consistency Learning [86.6929930921905]
  本稿では,いくつかの対象サンプルがラベル付けされていれば,ドメインシフトに対処するのにどの程度役立つか検討する。 ランドマークの可能性を最大限に追求するために、ランドマークから各クラスのターゲットプロトタイプを計算するプロトタイプアライメント(PA)モジュールを組み込んでいます。 具体的には,ラベル付き画像に深刻な摂動を生じさせ,PAを非自明にし,モデル一般化性を促進する。
  論文  参考訳（メタデータ） (2021-04-19T08:46:08Z)
• Test-time Unsupervised Domain Adaptation [3.4188171733930584]
  畳み込みニューラルネットワークは、しばしば異なるスキャナや取得プロトコル(ターゲットドメイン)に一般化する。 対象領域から特定の対象領域に適応したモデルは、対象領域のより多くのデータを見たが、対象領域の特定の対象領域に適応していないドメイン適応法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-05T11:30:36Z)

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。