論文の概要: Source-free Domain Adaptation for Multi-site and Lifespan Brain Skull Stripping

• arxiv url: http://arxiv.org/abs/2203.04299v1
• Date: Tue, 8 Mar 2022 09:11:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-11 09:11:59.011258
• Title: Source-free Domain Adaptation for Multi-site and Lifespan Brain Skull Stripping
• Title（参考訳）: マルチサイト・ライフスパン脳頭蓋骨ストリッピングのためのソースフリードメイン適応
• Authors: Yunxiang Li, Ruilong Dan, Shuai Wang, Yifan Cao, Xiangde Luo, Chenghao Tan, Gangyong Jia, Huiyu Zhou, Yaqi Wang, Li Wang
• Abstract要約: マルチサイトおよびライフスパンストリップのためのソースフリードメイン適応フレームワーク(SDAF)を設計する。 本手法では,ソースドメインの主題からプライベート情報を開示することなく,ソースラベルを形状辞書として,およびソースデータに基づいてトレーニングした重みとして共有することのみが必要である。
• 参考スコア（独自算出の注目度）: 18.177055483843834
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Skull stripping is a crucial prerequisite step in the analysis of brain magnetic resonance (MR) images. Although many excellent works or tools have been proposed, they suffer from low generalization capability. For instance, the model trained on a dataset with specific imaging parameters (source domain) cannot be well applied to other datasets with different imaging parameters (target domain). Especially, for the lifespan datasets, the model trained on an adult dataset is not applicable to an infant dataset due to the large domain difference. To address this issue, numerous domain adaptation (DA) methods have been proposed to align the extracted features between the source and target domains, requiring concurrent access to the input images of both domains. Unfortunately, it is problematic to share the images due to privacy. In this paper, we design a source-free domain adaptation framework (SDAF) for multi-site and lifespan skull stripping that can accomplish domain adaptation without access to source domain images. Our method only needs to share the source labels as shape dictionaries and the weights trained on the source data, without disclosing private information from source domain subjects. To deal with the domain shift between multi-site lifespan datasets, we take advantage of the brain shape prior which is invariant to imaging parameters and ages. Experiments demonstrate that our framework can significantly outperform the state-of-the-art methods on multi-site lifespan datasets.
• Abstract（参考訳）: 頭蓋骨のストリッピングは、脳磁気共鳴(mr)画像の解析において重要な必須段階である。 多くの優れた作品やツールが提案されているが、それらは低い一般化能力に悩まされている。 例えば、特定のイメージングパラメータ(ソースドメイン)を持つデータセットでトレーニングされたモデルは、異なるイメージングパラメータ(ターゲットドメイン)を持つ他のデータセットにはうまく適用できない。 特に、ライフスパンデータセットでは、大人データセットでトレーニングされたモデルは、ドメイン差が大きいため、幼児データセットには適用されない。 この問題に対処するために、ソースとターゲットドメイン間で抽出された特徴を整列するために、複数のドメイン適応(DA)手法が提案され、両方のドメインの入力画像に同時アクセスする必要がある。 残念ながら、プライバシーのために画像を共有するのは問題です。 本稿では,ソース領域画像にアクセスせずにドメイン適応を実現するマルチサイトストリッピングとライフスパンストリッピングのためのソースフリードメイン適応フレームワーク(sdaf)を設計する。 本手法では,ソースドメインの主題からプライベート情報を開示することなく,ソースラベルを形状辞書やソースデータに基づいてトレーニングした重みとして共有する。 マルチサイトライフスパンデータセット間の領域シフトに対処するために,画像パラメータや年齢に不変な脳形状を前もって活用する。 実験により、我々のフレームワークはマルチサイトライフスパンデータセットにおける最先端の手法を大幅に上回ることを示す。

関連論文リスト

• Unsupervised Federated Domain Adaptation for Segmentation of MRI Images [20.206972068340843]
  我々は、複数のアノテーション付きソースドメインを用いた教師なしフェデレーションドメイン適応法を開発した。 提案手法により,アノテートされていないターゲットドメインにおいて,複数のアノテートされたソースドメインからの知識の伝達が可能となる。
  論文  参考訳（メタデータ） (2024-01-02T00:31:41Z)
• Subject-Based Domain Adaptation for Facial Expression Recognition [51.10374151948157]
  ディープラーニングモデルを特定の対象個人に適用することは、難しい表情認識タスクである。 本稿では、FERにおける主観的ドメイン適応のための新しいMSDA手法を提案する。 複数の情報源からの情報を効率的に利用して、ディープFERモデルを単一のターゲット個人に適応させる。
  論文  参考訳（メタデータ） (2023-12-09T18:40:37Z)
• 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)
• Multi-Scale Multi-Target Domain Adaptation for Angle Closure Classification [50.658613573816254]
  角度閉包分類のためのM2DAN(Multi-scale Multi-target Domain Adversarial Network)を提案する。 異なるスケールでのこれらのドメイン不変性に基づいて、ソースドメインで訓練されたディープモデルは、複数のターゲットドメインの角度クロージャを分類することができる。
  論文  参考訳（メタデータ） (2022-08-25T15:27:55Z)
• Source-Free Domain Adaptation for Image Segmentation [17.23158602100665]
  画像セグメンテーションのためのソースフリーなドメイン適応を導入する。 我々の定式化は、ターゲットドメインデータ上に定義されたラベルフリーエントロピー損失を最小化することに基づいている。 様々なドメイン適応シナリオにおいて,事前認識したエントロピー最小化の有効性を示す。
  論文  参考訳（メタデータ） (2021-08-06T14:56:31Z)
• Adapt Everywhere: Unsupervised Adaptation of Point-Clouds and Entropy Minimisation for Multi-modal Cardiac Image Segmentation [10.417009344120917]
  マルチモーダル心臓画像分割のための新しいUDA法を提案する。 提案手法は、逆学習に基づいて、異なる空間におけるソースとターゲットドメイン間のネットワーク特徴を適応する。 本手法はannotated source domainからunannotated target domainへの適応により2つの心データセットで検証した。
  論文  参考訳（メタデータ） (2021-03-15T08:59:44Z)
• Few-shot Image Generation with Elastic Weight Consolidation [53.556446614013105]
  少ないショット画像生成は、利用可能なトレーニング例がほとんどなく、与えられたドメインのより多くのデータを生成することを目指している。 対象ドメインのいくつかの例に、追加のパラメータを導入することなく、事前訓練されたモデルを適用する。 我々は,異なる対象領域の高品質な結果を生成することにより,アルゴリズムの有効性を実証する。
  論文  参考訳（メタデータ） (2020-12-04T18:57:13Z)
• DoFE: Domain-oriented Feature Embedding for Generalizable Fundus Image Segmentation on Unseen Datasets [96.92018649136217]
  対象ドメインに対するCNNの一般化能力を向上させるために,新しいドメイン指向特徴埋め込み(DoFE)フレームワークを提案する。 私たちのDoFEフレームワークは、マルチソースドメインから学んだ追加のドメイン事前知識で、画像機能を動的に強化します。 本フレームワークは、未確認データセットのセグメンテーション結果を満足して生成し、他の領域の一般化やネットワークの正規化手法を超越する。
  論文  参考訳（メタデータ） (2020-10-13T07:28:39Z)
• Source-Relaxed Domain Adaptation for Image Segmentation [22.28746775804126]
  ドメイン適応(DA)は、ラベル付けされたソースデータに基づいてトレーニングされたモデルを適用し、ラベル付けされていないまたは弱いラベル付けされたターゲットデータでうまく機能する能力に対して、高い関心を集めている。 最も一般的なDA技術は、ソースとターゲットドメインの両方の入力画像への同時アクセスを必要とする。 このような制約を緩和するセグメンテーションネットワークを適応するための新しい定式化を提案する。
  論文  参考訳（メタデータ） (2020-05-07T18:46:01Z)
• TriGAN: Image-to-Image Translation for Multi-Source Domain Adaptation [82.52514546441247]
  本稿では,ジェネレーティブ・アドバイサル・ネットワークに基づくマルチソース・ドメイン適応(MSDA)の最初のアプローチを提案する。 本手法は,画像の出現がドメイン,スタイル,内容の3つの要因に依存するという観察に着想を得たものである。 提案手法はMSDAベンチマークを用いて試行し,最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-04-19T05:07:22Z)

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。