論文の概要: Adaptation to CT Reconstruction Kernels by Enforcing Cross-domain Feature Maps Consistency

• arxiv url: http://arxiv.org/abs/2203.14616v1
• Date: Mon, 28 Mar 2022 10:00:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-30 03:03:52.072949
• Title: Adaptation to CT Reconstruction Kernels by Enforcing Cross-domain Feature Maps Consistency
• Title（参考訳）: クロスドメイン特徴マップ一貫性強化によるct再構成カーネルへの適応
• Authors: Stanislav Shimovolos, Andrey Shushko, Mikhail Belyaev, Boris Shirokikh
• Abstract要約: 本研究は,スムーズで訓練し,鋭い再構築カーネル上で試験したモデルにおいて,新型コロナウイルスのセグメンテーション品質の低下を示すものである。 本稿では,F-Consistency(F-Consistency)と呼ばれる,教師なし適応手法を提案する。
• 参考スコア（独自算出の注目度）: 0.06117371161379209
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning methods provide significant assistance in analyzing coronavirus disease (COVID-19) in chest computed tomography (CT) images, including identification, severity assessment, and segmentation. Although the earlier developed methods address the lack of data and specific annotations, the current goal is to build a robust algorithm for clinical use, having a larger pool of available data. With the larger datasets, the domain shift problem arises, affecting the performance of methods on the unseen data. One of the critical sources of domain shift in CT images is the difference in reconstruction kernels used to generate images from the raw data (sinograms). In this paper, we show a decrease in the COVID-19 segmentation quality of the model trained on the smooth and tested on the sharp reconstruction kernels. Furthermore, we compare several domain adaptation approaches to tackle the problem, such as task-specific augmentation and unsupervised adversarial learning. Finally, we propose the unsupervised adaptation method, called F-Consistency, that outperforms the previous approaches. Our method exploits a set of unlabeled CT image pairs which differ only in reconstruction kernels within every pair. It enforces the similarity of the network hidden representations (feature maps) by minimizing mean squared error (MSE) between paired feature maps. We show our method achieving 0.64 Dice Score on the test dataset with unseen sharp kernels, compared to the 0.56 Dice Score of the baseline model. Moreover, F-Consistency scores 0.80 Dice Score between predictions on the paired images, which almost doubles the baseline score of 0.46 and surpasses the other methods. We also show F-Consistency to better generalize on the unseen kernels and without the specific semantic content, e.g., presence of the COVID-19 lesions.
• Abstract（参考訳）: 深層学習は、診断、重症度評価、セグメンテーションを含む胸部ct画像における新型コロナウイルス(covid-19)の解析において重要な支援を提供する。 先程開発された手法では、データと特定のアノテーションの欠如に対処するが、現在の目標は、利用可能なデータのプールを大きくして、臨床使用のための堅牢なアルゴリズムを構築することである。 より大きなデータセットでは、ドメインシフトの問題が発生し、見えないデータに対するメソッドのパフォーマンスに影響する。 CT画像における領域シフトの重要な原因の1つは、生データ(シングラム)から画像を生成するために使用される再構成カーネルの違いである。 本稿では,スムースで訓練したモデルにおけるcovid-19のセグメンテーション品質が低下し,鋭いレコンストラクションカーネル上でテストされた。 さらに,タスク固有の強化や教師なし対人学習など,この問題に対処するためのいくつかのドメイン適応手法を比較した。 最後に,F-Consistency (F-Consistency) と呼ばれる非教師なし適応手法を提案する。 本手法は,各ペア内の再構成カーネルでのみ異なるラベル付きCT画像ペアの集合を利用する。 これは、ペア化特徴マップ間の平均二乗誤差(mse)を最小化することにより、ネットワーク隠れ表現(フィーチャーマップ)の類似性を強制する。 本手法は,ベースラインモデルの0.56Dice Scoreと比較し,未確認の鋭いカーネルを持つテストデータセット上で0.64Dice Scoreを達成することを示す。 さらに、F-Consistencyは、ペア画像の予測間で0.80Diceスコアをスコアし、ベースラインスコアの0.46をほぼ倍増し、他の方法を上回る。 また、F-Consistencyは、未確認のカーネルをより一般化し、特定のセマンティックな内容(例えば、COVID-19の病変の存在)を含まないことを示す。

関連論文リスト

• CDSE-UNet: Enhancing COVID-19 CT Image Segmentation with Canny Edge Detection and Dual-Path SENet Feature Fusion [10.831487161893305]
  CDSE-UNetは、Canny演算子エッジ検出とデュアルパスSENet機能融合機構を統合した、新しいUNetベースのセグメンテーションモデルである。 我々は,UNetの標準畳み込みを代替するマルチスケール畳み込み手法を開発し,病変の大きさや形状に適応した。 公開データセットの評価では、他の主要なモデルよりもCDSE-UNetの方が優れた性能を示している。
  論文  参考訳（メタデータ） (2024-03-03T13:36:07Z)
• Enhanced Sharp-GAN For Histopathology Image Synthesis [63.845552349914186]
  病理組織像合成は、正確ながん検出のためのディープラーニングアプローチの訓練において、データ不足の問題に対処することを目的としている。 核トポロジと輪郭正則化を用いて合成画像の品質を向上させる新しい手法を提案する。 提案手法は、Sharp-GANを2つのデータセット上の4つの画像品質指標すべてで上回る。
  論文  参考訳（メタデータ） (2023-01-24T17:54:01Z)
• CNN Filter Learning from Drawn Markers for the Detection of Suggestive Signs of COVID-19 in CT Images [58.720142291102135]
  畳み込みニューラルネットワーク(CNN)のフィルタを推定するために,大規模な注釈付きデータセットやバックプロパゲーションを必要としない手法を提案する。 少数のCT画像に対して、ユーザは、代表的な正常領域と異常領域にマーカーを描画する。 本発明の方法は、カーネルがマークされたものに似た拡張領域に特有な一連の畳み込み層からなる特徴抽出器を生成する。
  論文  参考訳（メタデータ） (2021-11-16T15:03:42Z)
• Detect-and-Segment: a Deep Learning Approach to Automate Wound Image Segmentation [8.354517822940783]
  創傷分割マップを高一般化能力で作成するための深層学習手法を提案する。 提案手法では, 深部神経回路が創位置を検出し, 非形態的背景から創を分離し, 創節分割マップを算出した。
  論文  参考訳（メタデータ） (2021-11-02T13:39:13Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• Zero-Shot Domain Adaptation in CT Segmentation by Filtered Back Projection Augmentation [0.1197985185770095]
  ドメインシフトは、医療コンピュータビジョンにおける最も健全な課題の1つです。 コンピュータ断層撮影(CT)画像の再現過程における異なる畳み込みカーネルによる変動について検討する。 異なるカーネルによる再構成を模擬したシングラム空間におけるCT画像の簡易かつ驚くほど効率的な拡張手法であるフィルタバックプロジェクション拡張(FBPAug)を提案する。
  論文  参考訳（メタデータ） (2021-07-18T21:46:49Z)
• Binary segmentation of medical images using implicit spline representations and deep learning [1.5293427903448025]
  本稿では,暗黙のスプライン表現と深層畳み込みニューラルネットワークを組み合わせた画像分割手法を提案する。 当社のベストネットワークでは、Diceの平均ボリュームテストスコアが92%近くに達し、この先天性心疾患データセットの最先端に達しています。
  論文  参考訳（メタデータ） (2021-02-25T10:04:25Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• Cross-Domain Segmentation with Adversarial Loss and Covariate Shift for Biomedical Imaging [2.1204495827342438]
  本論文は,異なるモダリティから異なるパターンと共有パターンをカプセル化することにより,ドメイン間データから堅牢な表現を学習できる新しいモデルの実現を目的とする。 正常な臨床試験で得られたCTおよびMRI肝データに対する試験は、提案したモデルが他のすべてのベースラインを大きなマージンで上回っていることを示している。
  論文  参考訳（メタデータ） (2020-06-08T07:35:55Z)
• Data Consistent CT Reconstruction from Insufficient Data with Learned Prior Images [70.13735569016752]
  偽陰性病変と偽陽性病変を呈示し,CT画像再構成における深層学習の堅牢性について検討した。 本稿では,圧縮センシングと深層学習の利点を組み合わせた画像品質向上のためのデータ一貫性再構築手法を提案する。 提案手法の有効性は,円錐ビームCTにおいて,トランキャットデータ,リミテッドアングルデータ,スパースビューデータで示される。
  論文  参考訳（メタデータ） (2020-05-20T13:30:49Z)
• Synergistic Learning of Lung Lobe Segmentation and Hierarchical Multi-Instance Classification for Automated Severity Assessment of COVID-19 in CT Images [61.862364277007934]
  3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。 マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。 われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
  論文  参考訳（メタデータ） (2020-05-08T03:16:15Z)

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。