論文の概要: Unsupervised Domain Adaptation for Cardiac Segmentation: Towards
Structure Mutual Information Maximization
- arxiv url: http://arxiv.org/abs/2204.09334v1
- Date: Wed, 20 Apr 2022 09:10:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-21 20:40:52.544735
- Title: Unsupervised Domain Adaptation for Cardiac Segmentation: Towards
Structure Mutual Information Maximization
- Title（参考訳）: 心臓セグメンテーションのための教師なしドメイン適応:構造的相互情報の最大化を目指して
- Authors: Changjie Lu, Shen Zheng, Gaurav Gupta
- Abstract要約: 教師なし領域適応アプローチは、様々な医用画像分割タスクに成功している。
UDA-VAE++は、コンパクトな損失関数を下限とする心臓セグメンテーションのための教師なしドメイン適応フレームワークである。
我々のモデルは、過去の最先端の質的、定量的に優れている。
- 参考スコア（独自算出の注目度）: 0.8959391124399926
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Unsupervised domain adaptation approaches have recently succeeded in various
medical image segmentation tasks. The reported works often tackle the domain
shift problem by aligning the domain-invariant features and minimizing the
domain-specific discrepancies. That strategy works well when the difference
between a specific domain and between different domains is slight. However, the
generalization ability of these models on diverse imaging modalities remains a
significant challenge. This paper introduces UDA-VAE++, an unsupervised domain
adaptation framework for cardiac segmentation with a compact loss function
lower bound. To estimate this new lower bound, we develop a novel Structure
Mutual Information Estimation (SMIE) block with a global estimator, a local
estimator, and a prior information matching estimator to maximize the mutual
information between the reconstruction and segmentation tasks. Specifically, we
design a novel sequential reparameterization scheme that enables information
flow and variance correction from the low-resolution latent space to the
high-resolution latent space. Comprehensive experiments on benchmark cardiac
segmentation datasets demonstrate that our model outperforms previous
state-of-the-art qualitatively and quantitatively. The code is available at
https://github.com/LOUEY233/Toward-Mutual-Information}{https://github.com/LOUEY233/Toward-Mutual-Information
- Abstract（参考訳）: 教師なしのドメイン適応アプローチは、最近様々な医療画像分割タスクに成功している。
報告された作業は、ドメイン固有の特徴を調整し、ドメイン固有の相違を最小限にすることで、ドメインシフト問題に対処することが多い。
この戦略は、特定のドメインと異なるドメインの違いが小さい場合にうまく機能します。
しかし、様々な画像モダリティに対するこれらのモデルの一般化能力は依然として大きな課題である。
本稿では,コンパクトな損失関数を下限とする心臓セグメンテーションのための教師なしドメイン適応フレームワークであるUDA-VAE++を紹介する。
この新たな下界を推定するために,グローバル推定器,局所推定器,事前情報マッチング推定器を備えた構造的相互情報推定(SMIE)ブロックを開発し,再構成タスクとセグメント化タスク間の相互情報を最大化する。
具体的には,低分解能の潜在空間から高分解能の潜在空間への情報フローと分散補正を可能にする新しい逐次再パラメータ化スキームを設計する。
ベンチマーク心セグメンテーションデータセットに関する包括的実験により,本モデルが前例より質的,定量的に優れることが示された。
コードはhttps://github.com/LOUEY233/Toward-Mutual-Information}{https://github.com/LOUEY233/Toward-Mutual-Informationで公開されている。
関連論文リスト
- SMC-UDA: Structure-Modal Constraint for Unsupervised Cross-Domain Renal
Segmentation [100.86339246424541]
本稿では、識別パラダイムに基づく新しい構造モード制約(SMC) UDA フレームワークを提案し、ドメイン間のブリッジとしてエッジ構造を導入する。
構造に制約のある自己学習とプログレッシブROIでは,エッジの3次元空間構造を見極めることで腎臓を分節する。
実験の結果,提案するSMC-UDAの一般化は良好であり,生成的UDA法よりも優れていた。
論文 参考訳（メタデータ） (2023-06-14T02:57:23Z) - Delving into the Continuous Domain Adaptation [12.906272389564593]
既存のドメイン適応法では、ドメインの相違はいくつかの異なる属性とバリエーションによって生じると仮定している。
これは現実的なものではなく、いくつかの離散属性を使って現実世界のデータセットを定義することは不可能である、と我々は主張する。
継続的ドメイン適応という新しい問題について検討する。
論文 参考訳（メタデータ） (2022-08-28T02:32:25Z) - 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) - Single-domain Generalization in Medical Image Segmentation via Test-time
Adaptation from Shape Dictionary [64.5632303184502]
ドメインの一般化は通常、モデル学習のために複数のソースドメインからのデータを必要とする。
本稿では,1つのソースドメインのみで最悪のシナリオ下でモデルを学習し,異なる未確認対象ドメインに直接一般化する,重要な単一ドメインの一般化問題について考察する。
本稿では,領域間で不変なセグメンテーションのセグメンテーション先情報を抽出し,統合する医用画像セグメンテーションにおいて,この問題に対処する新しいアプローチを提案する。
論文 参考訳（メタデータ） (2022-06-29T08:46:27Z) - Optimal Latent Vector Alignment for Unsupervised Domain Adaptation in
Medical Image Segmentation [1.2183405753834562]
OLVAは、変分オートエンコーダ(VAE)と最適輸送(OT)理論に基づく、軽量な教師なしドメイン適応手法である。
以上の結果より, 同時生成訓練に比べて12.5%の利得が得られ, 顕著な改善が見られた。
論文 参考訳（メタデータ） (2021-06-15T14:41:09Z) - 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) - Model-Based Domain Generalization [96.84818110323518]
本稿では,モデルベースドメイン一般化問題に対する新しいアプローチを提案する。
我々のアルゴリズムは、最新のwildsベンチマークの最先端手法を最大20ポイント上回った。
論文 参考訳（メタデータ） (2021-02-23T00:59:02Z) - Domain Adaptation in LiDAR Semantic Segmentation by Aligning Class
Distributions [9.581605678437032]
この研究は、LiDARセマンティックセグメンテーションモデルに対する教師なしドメイン適応の問題に対処する。
我々のアプローチは、現在の最先端のアプローチの上に新しいアイデアを結合し、新しい最先端の成果をもたらす。
論文 参考訳（メタデータ） (2020-10-23T08:52:15Z) - Domain Adaptation for Semantic Parsing [68.81787666086554]
本稿では,ドメイン適応のための新しいセマンティクスを提案する。このセマンティクスでは,ソースドメインと比較して,対象ドメインのアノテーション付きデータがはるかに少ない。
我々のセマンティックな利点は、2段階の粗大なフレームワークから得ており、2段階の異なる正確な処理を提供できる。
ベンチマークデータセットの実験により、我々の手法はいくつかの一般的なドメイン適応戦略より一貫して優れていることが示された。
論文 参考訳（メタデータ） (2020-06-23T14:47:41Z) - Supervised Domain Adaptation using Graph Embedding [86.3361797111839]
領域適応法は、2つの領域間の分布がシフトし、それを認識しようとすると仮定する。
グラフ埋め込みに基づく汎用フレームワークを提案する。
提案手法が強力なドメイン適応フレームワークにつながることを示す。
論文 参考訳（メタデータ） (2020-03-09T12:25:13Z) - Domain Adaptive Medical Image Segmentation via Adversarial Learning of
Disease-Specific Spatial Patterns [6.298270929323396]
複数の領域にまたがる画像セグメンテーション性能を向上させるための教師なしドメイン適応フレームワークを提案する。
我々は,不適切なセグメンテーションパターンを拒絶し,意味情報や境界情報を通じて暗黙的に学習することで,新しいデータに適応するようにアーキテクチャを強制する。
対象領域からのラベルなし画像上でのディープネットワークの再構成により,セグメント化精度が大幅に向上することが実証された。
論文 参考訳（メタデータ） (2020-01-25T13:48:02Z)
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。