論文の概要: MDT-Net: Multi-domain Transfer by Perceptual Supervision for Unpaired
Images in OCT Scan
- arxiv url: http://arxiv.org/abs/2203.06363v1
- Date: Sat, 12 Mar 2022 06:59:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-20 02:20:41.801461
- Title: MDT-Net: Multi-domain Transfer by Perceptual Supervision for Unpaired
Images in OCT Scan
- Title（参考訳）: MDT-Net:OCTスキャンにおける画像の知覚的スーパービジョンによるマルチドメイン転送
- Authors: Weinan Song, Gaurav Fotedar, Nima Tajbakhsh, Ziheng Zhou, and Xiaowei
Ding
- Abstract要約: MDT-Netを導入し、知覚的監督に基づくマルチドメイン転送モデルを用いて制限に対処する。
推論中、MDT-Netはソースドメインから複数のターゲットドメインへの画像を参照画像なしで一度に転送することができる。
実験の結果, MDT-Netは他のドメイン転送モデルよりも質的, 定量的に優れていることがわかった。
- 参考スコア（独自算出の注目度）: 5.0401455466529335
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning models tend to underperform in the presence of domain shifts.
Domain transfer has recently emerged as a promising approach wherein images
exhibiting a domain shift are transformed into other domains for augmentation
or adaptation. However, with the absence of paired and annotated images, most
domain transfer methods mainly rely on adversarial networks and weak cycle
consistency, which could result in incomplete domain transfer or poor adherence
to the original image content. In this paper, we introduce MDT-Net to address
the limitations above through a multi-domain transfer model based on perceptual
supervision. Specifically, our model consists of an encoder-decoder network,
which aims to preserve anatomical structures, and multiple domain-specific
transfer modules, which guide the domain transition through feature
transformation. During the inference, MDT-Net can directly transfer images from
the source domain to multiple target domains at one time without any reference
image. To demonstrate the performance of MDT-Net, we evaluate it on RETOUCH
dataset, comprising OCT scans from three different scanner devices (domains),
for multi-domain transfer. We also take the transformed results as additional
training images for fluid segmentation in OCT scans in the tasks of domain
adaptation and data augmentation. Experimental results show that MDT-Net can
outperform other domain transfer models qualitatively and quantitatively.
Furthermore, the significant improvement in dice scores over multiple
segmentation models also demonstrates the effectiveness and efficiency of our
proposed method.
- Abstract（参考訳）: ディープラーニングモデルは、ドメインシフトの存在下ではパフォーマンスが低い傾向があります。
ドメイン移行は、ドメインシフトを示す画像が拡張や適応のために他のドメインに変換される、有望なアプローチとして最近登場した。
しかし、ペア画像とアノテート画像が欠如しているため、ほとんどのドメイン転送手法は、主に敵対的ネットワークと弱いサイクル一貫性に依存しており、結果としてドメイン転送が不完全なり、元のイメージ内容に不完全であったりする可能性がある。
本稿では,MDT-Netを導入して,知覚的監督に基づくマルチドメイン転送モデルを用いて,上記の制限に対処する。
具体的には,解剖構造保存を目的としたエンコーダ・デコーダネットワークと,機能変換によるドメイン遷移を導く複数のドメイン固有転送モジュールから構成される。
推論中、MDT-Netはソースドメインから複数のターゲットドメインへの画像を参照画像なしで一度に転送することができる。
MDT-Netの性能を示すため,マルチドメイン転送のための3種類のスキャナーデバイス(ドメイン)のOCTスキャンを含むRETOUCHデータセットを用いて評価を行った。
また,octスキャンにおける流体分節化のための追加訓練画像として,領域適応とデータ拡張の課題についても検討した。
実験の結果, MDT-Netは他のドメイン転送モデルよりも質的, 定量的に優れていることがわかった。
さらに,複数のセグメンテーションモデルに対するダイススコアの大幅な改善は,提案手法の有効性と有効性を示す。
関連論文リスト
- Investigating the potential of Sparse Mixtures-of-Experts for multi-domain neural machine translation [59.41178047749177]
トレーニング中に見られるさまざまなドメインのデータを扱うことができ、トレーニング中に見つからないドメインに対して堅牢な効率的なモデルを開発することを目的として、マルチドメインニューラルネットワーク翻訳に重点を置いている。
SMOE(Sparse Mixture-of-Experts)モデルは、効率的なモデルスケーリングを可能にするため、このタスクに適していると仮定する。
マルチドメインシナリオにおけるSMoEの有用性を検証するための一連の実験を行い、Transformerの簡単な幅スケーリングは、実際はよりシンプルで驚くほど効率的なアプローチであり、SMoEと同等の性能レベルに達することを発見した。
論文 参考訳（メタデータ） (2024-07-01T09:45:22Z) - Grounding Stylistic Domain Generalization with Quantitative Domain Shift Measures and Synthetic Scene Images [63.58800688320182]
ドメインの一般化は機械学習において難しい課題である。
現在の方法論は、スタイリスティック領域におけるシフトに関する定量的な理解を欠いている。
これらのリスクに対処する新しいDGパラダイムを導入する。
論文 参考訳（メタデータ） (2024-05-24T22:13:31Z) - 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) - Noise transfer for unsupervised domain adaptation of retinal OCT images [0.0]
特異値分解(SVDNA)に基づく最小雑音適応法を提案する。
本手法は,OCT装置間の領域ギャップを補うために,ノイズ構造の違いを利用する。
本手法は, 単純性に拘わらず, 最先端の教師なしドメイン適応法より優れているか, あるいは優れているかを実証する。
論文 参考訳（メタデータ） (2022-09-16T14:39:46Z) - 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) - Variational Transfer Learning using Cross-Domain Latent Modulation [1.9662978733004601]
本稿では,効率的な転送学習を実現するために,新しいドメイン間遅延変調機構を変分オートエンコーダフレームワークに導入する。
ソース領域とターゲット領域の深部表現は、まず統一推論モデルにより抽出され、勾配逆数を用いて整列される。
学習した深層表現は、一貫性の制約が適用される代替ドメインの潜在エンコーディングにクロスモデレートされる。
論文 参考訳（メタデータ） (2022-05-31T03:47:08Z) - Unsupervised Domain Adaptation for Cross-Modality Retinal Vessel
Segmentation via Disentangling Representation Style Transfer and
Collaborative Consistency Learning [3.9562534927482704]
ドメインシフトが大きいタスクに対する、新しいクロスモーダルな教師なしドメイン適応フレームワークDCDAを提案する。
本フレームワークは,OCTAからOCT,OCTからOCTAまで,目標に訓練されたオラクルに近いDiceスコアを達成し,他の最先端手法よりも優れていた。
論文 参考訳（メタデータ） (2022-01-13T07:03:16Z) - AFAN: Augmented Feature Alignment Network for Cross-Domain Object
Detection [90.18752912204778]
オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。
本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。
提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
論文 参考訳（メタデータ） (2021-06-10T05:01:20Z) - 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。