論文の概要: Invariant Content Synergistic Learning for Domain Generalization of Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2205.02845v1
• Date: Thu, 5 May 2022 08:13:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-09 13:51:53.336063
• Title: Invariant Content Synergistic Learning for Domain Generalization of Medical Image Segmentation
• Title（参考訳）: 医用画像セグメンテーションの領域一般化のための不変コンテンツシナジスティック学習
• Authors: Yuxin Kang, Hansheng Li, Xuan Zhao, Dongqing Hu, Feihong Liu, Lei Cui, Jun Feng and Lin Yang
• Abstract要約: ディープ畳み込みニューラルネットワーク(DCNN)は、新しい分布とテストデータに直面すると、その堅牢性を維持することができないことが多い。 本稿では,DCNNの一般化能力を向上させるため,ICSL (Invariant Content Synergistic Learning) という手法を提案する。
• 参考スコア（独自算出の注目度）: 13.708239594165061
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: While achieving remarkable success for medical image segmentation, deep convolution neural networks (DCNNs) often fail to maintain their robustness when confronting test data with the novel distribution. To address such a drawback, the inductive bias of DCNNs is recently well-recognized. Specifically, DCNNs exhibit an inductive bias towards image style (e.g., superficial texture) rather than invariant content (e.g., object shapes). In this paper, we propose a method, named Invariant Content Synergistic Learning (ICSL), to improve the generalization ability of DCNNs on unseen datasets by controlling the inductive bias. First, ICSL mixes the style of training instances to perturb the training distribution. That is to say, more diverse domains or styles would be made available for training DCNNs. Based on the perturbed distribution, we carefully design a dual-branches invariant content synergistic learning strategy to prevent style-biased predictions and focus more on the invariant content. Extensive experimental results on two typical medical image segmentation tasks show that our approach performs better than state-of-the-art domain generalization methods.
• Abstract（参考訳）: 深層畳み込みニューラルネットワーク(dcnn)は、医用画像のセグメンテーションで目覚ましい成功を収める一方で、新しい分布でテストデータと向き合う場合、頑健性を維持することができないことが多い。 このような欠点に対処するため、DCNNの帰納バイアスは近年よく認識されている。 具体的には、DCNNは不変コンテンツ(例えばオブジェクトの形状)よりもイメージスタイル(例えば表面テクスチャ)への誘導バイアスを示す。 本稿では,インダクティブバイアスを制御することによって,未知のデータセット上でのDCNNの一般化能力を向上させる手法として,ICSL(Invariant Content Synergistic Learning)を提案する。 まず、ICSLはトレーニングインスタンスのスタイルを混ぜ合わせてトレーニングディストリビューションを混乱させる。 つまり、より多様なドメインやスタイルがDCNNのトレーニングに利用できるようになるということだ。 摂動分布に基づいて, スタイルバイアス予測を防止し, より不変コンテンツに焦点を合わせるために, 二重分岐不変コンテンツ相乗学習戦略を慎重に設計する。 2つの典型的な医用画像分割タスクの広範な実験結果から,本手法は最先端のドメイン一般化法よりも優れた性能を示す。

関連論文リスト

• DCNN: Dual Cross-current Neural Networks Realized Using An Interactive Deep Learning Discriminator for Fine-grained Objects [48.65846477275723]
  本研究では、微細な画像分類の精度を向上させるために、新しい二重電流ニューラルネットワーク(DCNN)を提案する。 弱い教師付き学習バックボーンモデルを構築するための新しい特徴として、(a)異種データの抽出、(b)特徴マップの解像度の維持、(c)受容領域の拡大、(d)グローバル表現と局所特徴の融合などがある。
  論文  参考訳（メタデータ） (2024-05-07T07:51:28Z)
• Label Deconvolution for Node Representation Learning on Large-scale Attributed Graphs against Learning Bias [75.44877675117749]
  本稿では,GNNの逆写像に対する新しい,スケーラブルな近似による学習バイアスを軽減するために,ラベルの効率的な正規化手法,すなわちラベルのデコンボリューション(LD)を提案する。 実験では、LDはOpen Graphデータセットのベンチマークで最先端のメソッドを大幅に上回っている。
  論文  参考訳（メタデータ） (2023-09-26T13:09:43Z)
• On the Fly Neural Style Smoothing for Risk-Averse Domain Generalization [25.618051317035164]
  State-of-the-art Domain Generalization (DG)分類器は、様々なタスクで顕著な性能を示している。 しかし、画像コンテンツのようなドメイン不変情報よりも、画像スタイルのようなドメイン依存情報に対するバイアスが示されている。 このバイアスは、自律運転のようなリスクに敏感なシナリオへのデプロイに対して信頼性を損なう。 本稿では,テスト時の予測にDG分類器の「スタイル平滑化」バージョンを用いた新しい推論手法であるTT-NSSを提案する。
  論文  参考訳（メタデータ） (2023-07-17T15:31:58Z)
• Treasure in Distribution: A Domain Randomization based Multi-Source Domain Generalization for 2D Medical Image Segmentation [20.97329150274455]
  本稿では,Treasure in Distribution (TriD) と呼ばれるマルチソース領域一般化手法を提案する。 TriDは、一様分布からランダムにサンプリングすることで、強靭性のあるモデルを得るために、前例のない探索空間を構築する。 2つの医学的セグメンテーションタスクの実験により、我々のTriDは、目に見えないターゲットドメインデータに対して優れた一般化性能を達成できることを示した。
  論文  参考訳（メタデータ） (2023-05-31T15:33:57Z)
• Domain Generalization with Adversarial Intensity Attack for Medical Image Segmentation [27.49427483473792]
  実世界のシナリオでは、トレーニング中に露出していない新しいドメインや異なるドメインのデータに遭遇することが一般的である。 ドメイン一般化(Domain Generalization, DG)は、モデルがこれまで見つからなかったドメインからのデータを扱うことを可能にする、有望な方向である。 本稿では,敵対的トレーニングを活用して無限のスタイルでトレーニングデータを生成する,AdverIN(Adversarial Intensity Attack)と呼ばれる新しいDG手法を提案する。
  論文  参考訳（メタデータ） (2023-04-05T19:40:51Z)
• Unsupervised Domain Adaptation Using Feature Disentanglement And GCNs For Medical Image Classification [5.6512908295414]
  本稿では,グラフニューラルネットワークを用いた教師なし領域適応手法を提案する。 分布シフトを伴う2つの挑戦的医用画像データセットの分類法について検討した。 実験により,本手法は他の領域適応法と比較して最先端の結果が得られることが示された。
  論文  参考訳（メタデータ） (2022-06-27T09:02:16Z)
• Self-Ensembling GAN for Cross-Domain Semantic Segmentation [107.27377745720243]
  本稿では,セマンティックセグメンテーションのためのクロスドメインデータを利用した自己理解型生成逆数ネットワーク(SE-GAN)を提案する。 SE-GANでは、教師ネットワークと学生ネットワークは、意味分節マップを生成するための自己組織化モデルを構成する。 その単純さにもかかわらず、SE-GANは敵の訓練性能を大幅に向上させ、モデルの安定性を高めることができる。
  論文  参考訳（メタデータ） (2021-12-15T09:50:25Z)
• Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
  本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。 具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。 提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-05-17T10:11:45Z)
• Margin Preserving Self-paced Contrastive Learning Towards Domain Adaptation for Medical Image Segmentation [51.93711960601973]
  クロスモーダル医療画像セグメンテーションのための自己ペースコントラスト学習モデルを保存する新しいマージンを提案する。 プログレッシブに洗練されたセマンティックプロトタイプの指導により、埋め込み表現空間の識別性を高めるために、コントラスト損失を減少させる新しいマージンが提案される。 クロスモーダル心セグメンテーションタスクの実験は、MPSCLが意味セグメンテーション性能を大幅に改善することを示した。
  論文  参考訳（メタデータ） (2021-03-15T15:23:10Z)
• Neuron Coverage-Guided Domain Generalization [37.77033512313927]
  本稿では、ドメイン知識が利用できないドメイン一般化タスクに注目し、さらに悪いことに、1つのドメインからのサンプルのみをトレーニング中に利用することができる。 私たちの動機は、ディープニューラルネットワーク(DNN)テストの最近の進歩に由来し、DNNのニューロンカバレッジの最大化がDNNの潜在的な欠陥の探索に役立つことが示されています。
  論文  参考訳（メタデータ） (2021-02-27T14:26:53Z)
• S2-BNN: Bridging the Gap Between Self-Supervised Real and 1-bit Neural Networks via Guided Distribution Calibration [74.5509794733707]
  本研究では, 実数値から, 最終予測分布上のバイナリネットワークへの誘導型学習パラダイムを提案する。 提案手法は,bnn上で5.515%の絶対利得で,単純なコントラスト学習ベースラインを向上できる。 提案手法は、単純なコントラスト学習ベースラインよりも大幅に改善され、多くの主流教師付きBNN手法に匹敵する。
  論文  参考訳（メタデータ） (2021-02-17T18:59:28Z)

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。