論文の概要: MT-UDA: Towards Unsupervised Cross-modality Medical Image Segmentation with Limited Source Labels

• arxiv url: http://arxiv.org/abs/2203.12454v1
• Date: Wed, 23 Mar 2022 14:51:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-24 13:48:23.728641
• Title: MT-UDA: Towards Unsupervised Cross-modality Medical Image Segmentation with Limited Source Labels
• Title（参考訳）: MT-UDA:限られたソースラベルを用いた非教師なしクロスモダリティ医療画像セグメンテーションを目指して
• Authors: Ziyuan Zhao, Kaixin Xu, Shumeng Li, Zeng Zeng, Cuntai Guan
• Abstract要約: 深い教師なしドメイン適応(UDA)は、確立されたソースドメインアノテーションと豊富なターゲットドメインデータを活用することができる。 UDAメソッドはソースドメインアノテーションが不足している場合、大幅なパフォーマンス低下に悩まされる。 MT-UDAと呼ばれる新しいラベル効率のUDAフレームワークを提案し、限られたソースラベルで訓練された学生モデルは、半教師付き方式で両方のドメインのラベル付きデータから学習する。
• 参考スコア（独自算出の注目度）: 15.01727721628536
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The success of deep convolutional neural networks (DCNNs) benefits from high volumes of annotated data. However, annotating medical images is laborious, expensive, and requires human expertise, which induces the label scarcity problem. Especially when encountering the domain shift, the problem becomes more serious. Although deep unsupervised domain adaptation (UDA) can leverage well-established source domain annotations and abundant target domain data to facilitate cross-modality image segmentation and also mitigate the label paucity problem on the target domain, the conventional UDA methods suffer from severe performance degradation when source domain annotations are scarce. In this paper, we explore a challenging UDA setting - limited source domain annotations. We aim to investigate how to efficiently leverage unlabeled data from the source and target domains with limited source annotations for cross-modality image segmentation. To achieve this, we propose a new label-efficient UDA framework, termed MT-UDA, in which the student model trained with limited source labels learns from unlabeled data of both domains by two teacher models respectively in a semi-supervised manner. More specifically, the student model not only distills the intra-domain semantic knowledge by encouraging prediction consistency but also exploits the inter-domain anatomical information by enforcing structural consistency. Consequently, the student model can effectively integrate the underlying knowledge beneath available data resources to mitigate the impact of source label scarcity and yield improved cross-modality segmentation performance. We evaluate our method on MM-WHS 2017 dataset and demonstrate that our approach outperforms the state-of-the-art methods by a large margin under the source-label scarcity scenario.
• Abstract（参考訳）: deep convolutional neural networks (dcnns)の成功は、大量の注釈付きデータの恩恵を受ける。 しかし、医療画像に注釈をつけるのは手間がかかり、費用がかかり、人間の専門知識が必要となる。 特にドメインシフトに遭遇すると、問題はより深刻になる。 深層非教師付きドメイン適応(UDA)は、確立されたソースドメインアノテーションと豊富なターゲットドメインデータを利用して、クロスモダリティ画像のセグメンテーションを促進し、ターゲットドメイン上のラベルパウシティ問題を緩和するが、従来のUDAメソッドは、ソースドメインアノテーションが不足すると、大幅なパフォーマンス劣化に悩まされる。 本稿では、限られたソースドメインアノテーションという挑戦的なUDA設定について検討する。 本研究の目的は、ソースおよびターゲットドメインからのラベルなしデータを、モダリティ横断画像分割のための限られたソースアノテーションで効率的に活用する方法を検討することである。 そこで,本研究では,限られたソースラベルで学習した学生モデルが,それぞれ2つの教師モデルでラベル付きデータから学習する,mt-udaと呼ばれる新しいラベル効率の高いudaフレームワークを提案する。 より具体的には、学生モデルは予測一貫性を促進することによってドメイン内意味知識を蒸留するだけでなく、構造的一貫性を強制することによってドメイン間解剖情報を利用する。 これにより、学生モデルは、利用可能なデータリソースの下にある基礎知識を効果的に統合し、ソースラベルの不足の影響を緩和し、モダリティのセグメンテーション性能を向上させることができる。 本手法をMM-WHS 2017データセット上で評価し, 情報源ラベルの不足シナリオ下では, 最先端手法よりも高い性能を示すことを示す。

関連論文リスト

• 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)
• Robust Source-Free Domain Adaptation for Fundus Image Segmentation [3.585032903685044]
  Unlabelled Domain Adaptation (UDA)は、ラベル付きデータから学習した知識を、未ラベルデータのみを使用してターゲットドメインに転送する学習技術である。 本研究では,ロバストドメイン適応のための2段階トレーニングステージを提案する。 本稿では,ラベルのないターゲットデータを有効利用して擬似ラベルと擬似境界を生成する,ロバストな擬似ラベルと擬似境界(PLPB)手法を提案する。
  論文  参考訳（メタデータ） (2023-10-25T14:25:18Z)
• 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)
• 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)
• Memory Consistent Unsupervised Off-the-Shelf Model Adaptation for Source-Relaxed Medical Image Segmentation [13.260109561599904]
  非教師なしドメイン適応(UDA)は、ラベル付きソースドメインからラベル付きヘテロジニアスターゲットドメインに学習した情報を移行するための重要なプロトコルである。 我々は、ソースドメインで訓練されたOSセグメントをターゲットドメインに適応させることにより、イメージセグメンテーションを目的とした「オフ・ザ・シェルフ(OS)」 UDA (OSUDA) を提案する。
  論文  参考訳（メタデータ） (2022-09-16T13:13:50Z)
• 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)
• ACT: Semi-supervised Domain-adaptive Medical Image Segmentation with Asymmetric Co-training [34.017031149886556]
  非教師なしドメイン適応(UDA)は、ソースとターゲットドメイン間のドメインシフトを軽減するために大いに研究されてきた。 本稿では,ラベル付けされていないターゲットデータに加えて,ラベル付きソースデータとターゲットドメインデータの両方を統一的に活用することを提案する。 本稿では、これらのサブセットを統合し、ソースドメインデータの支配を回避するための、新しい非対称コトレーニング(ACT)フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-05T23:48:00Z)
• Inferring Latent Domains for Unsupervised Deep Domain Adaptation [54.963823285456925]
  Unsupervised Domain Adaptation (UDA)は、ラベル付きデータが利用できないターゲットドメインでモデルを学習する問題を指す。 本稿では,視覚データセット中の潜在ドメインを自動的に発見することにより,udaの問題に対処する新しい深層アーキテクチャを提案する。 提案手法を公開ベンチマークで評価し,最先端のドメイン適応手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-03-25T14:33:33Z)
• Dual-Teacher: Integrating Intra-domain and Inter-domain Teachers for Annotation-efficient Cardiac Segmentation [65.81546955181781]
  本稿では,新しい半教師付きドメイン適応手法,すなわちDual-Teacherを提案する。 学生モデルは、2つの教師モデルによってラベル付けされていない対象データとラベル付けされた情報源データの知識を学習する。 提案手法では, ラベルなしデータとモダリティ間データとを並列に利用でき, 性能が向上することを示した。
  論文  参考訳（メタデータ） (2020-07-13T10:00:44Z)
• Alleviating Semantic-level Shift: A Semi-supervised Domain Adaptation Method for Semantic Segmentation [97.8552697905657]
  このタスクの重要な課題は、ソースとターゲットドメイン間のデータ分散の相違を緩和する方法である。 本稿では,グローバルな視点とローカルな視点の両方から分布の整合性を促進できるASS(Alleviating Semantic-level Shift)を提案する。 GTA5、Cityscapes、Synthia、Cityscapesの2つのドメイン適応タスクにASSを適用します。
  論文  参考訳（メタデータ） (2020-04-02T03:25:05Z)

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。