論文の概要: Structure Unbiased Adversarial Model for Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2205.12857v2
- Date: Thu, 26 May 2022 09:25:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-27 11:11:04.323687
- Title: Structure Unbiased Adversarial Model for Medical Image Segmentation
- Title（参考訳）: 医用画像分割のための構造非バイアスadversarialモデル
- Authors: Tianyang Zhang, Shaoming Zheng, Jun Cheng, Xi Jia, Joseph Bartlett,
Huazhu Fu, Zhaowen Qiu, Jiang Liu and Jinming Duan
- Abstract要約: 画像認識において、分布が実際の画像と類似した画像を生成するために、生成モデルが広く提案されている。
本稿では, 構造的ギャップを低減するため, 典型的な強度分布ギャップに加えて, 新しい画像から画像への変換問題を再構成する。
本稿では,医用画像セグメント化のための逆構造変形を学習可能な単純な構造的不偏相関モデル (SUAM) を提案する。
- 参考スコア（独自算出の注目度）: 35.154567852645194
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generative models have been widely proposed in image recognition to generate
more images where the distribution is similar to that of the real images. It
often introduces a discriminator network to discriminate original real data and
generated data.
However, such discriminator often considers the distribution of the data and
did not pay enough attention to the intrinsic gap due to structure.
In this paper, we reformulate a new image to image translation problem to
reduce structural gap, in addition to the typical intensity distribution gap.
We further propose a simple yet important Structure Unbiased Adversarial Model
for Medical Image Segmentation (SUAM) with learnable inverse structural
deformation for medical image segmentation. It consists of a structure
extractor, an attention diffeomorphic registration and a structure \& intensity
distribution rendering module. The structure extractor aims to extract the
dominant structure of the input image. The attention diffeomorphic registration
is proposed to reduce the structure gap with an inverse deformation field to
warp the prediction masks back to their original form. The structure rendering
module is to render the deformed structure to an image with targeted intensity
distribution. We apply the proposed SUAM on both optical coherence tomography
(OCT), magnetic resonance imaging (MRI) and computerized tomography (CT) data.
Experimental results show that the proposed method has the capability to
transfer both intensity and structure distributions.
- Abstract（参考訳）: 画像認識において生成モデルが広く提案されており、実画像と分布が類似するより多くの画像を生成する。
しばしば差別化ネットワークを導入し、元の実データと生成されたデータを識別する。
しかし、そのような判別器はデータの分布をよく考慮し、構造による本質的なギャップに十分な注意を払わなかった。
本稿では,典型的な強度分布ギャップに加えて,構造ギャップを低減するため,新しい画像から画像への変換問題を再構成する。
さらに,医用画像セグメント化のための逆構造変形を学習可能なSUAM(Structure Unbiased Adversarial Model for Medical Image Segmentation)を提案する。
それは、構造抽出器、注意二相登録、および構造 \&インテンシティ分布レンダリングモジュールから構成されている。
構造抽出器は、入力画像の支配的構造を抽出することを目的とする。
逆変形場による構造ギャップを低減し, 予測マスクを元の形状に反動させるため, 注意二相登録を提案する。
構造レンダリングモジュールは、変形した構造を対象の強度分布で画像にレンダリングする。
光コヒーレンス断層撮影(oct)、磁気共鳴イメージング(mri)、コンピュータ断層撮影(ct)の両データに適用した。
実験の結果,提案手法は強度分布と構造分布の両方を伝達できることがわかった。
関連論文リスト
- Unifying Visual and Semantic Feature Spaces with Diffusion Models for Enhanced Cross-Modal Alignment [20.902935570581207]
本稿では,マルチモーダルアライメント・アンド・リコンストラクション・ネットワーク(MARNet)を導入し,視覚ノイズに対するモデルの耐性を高める。
MARNetは、異なるドメイン間で情報をスムーズかつ安定的にブレンドする、クロスモーダル拡散再構成モジュールを含んでいる。
2つのベンチマークデータセットであるVireo-Food172とIngredient-101で実施された実験は、MARNetがモデルによって抽出された画像情報の品質を効果的に改善することを示した。
論文 参考訳（メタデータ） (2024-07-26T16:30:18Z) - EmerDiff: Emerging Pixel-level Semantic Knowledge in Diffusion Models [52.3015009878545]
我々は、追加の訓練をすることなく、きめ細かなセグメンテーションマップを生成できる画像セグメンタを開発した。
低次元特徴写像の空間的位置と画像画素間の意味的対応を同定する。
大規模な実験では、生成したセグメンテーションマップがよく説明され、画像の細部を捉えることが示されている。
論文 参考訳（メタデータ） (2024-01-22T07:34:06Z) - Bayesian Unsupervised Disentanglement of Anatomy and Geometry for Deep Groupwise Image Registration [50.62725807357586]
本稿では,マルチモーダル群画像登録のための一般ベイズ学習フレームワークを提案する。
本稿では,潜在変数の推論手順を実現するために,新しい階層的変分自動符号化アーキテクチャを提案する。
心臓、脳、腹部の医療画像から4つの異なるデータセットを含む,提案された枠組みを検証する実験を行った。
論文 参考訳（メタデータ） (2024-01-04T08:46:39Z) - Affine-Transformation-Invariant Image Classification by Differentiable
Arithmetic Distribution Module [8.125023712173686]
畳み込みニューラルネットワーク(CNN)は画像分類において有望な結果を得た。
CNNは回転、翻訳、フリップ、シャッフルなどのアフィン変換に弱い。
本研究では,分散学習手法を取り入れた,より堅牢な代替手法を提案する。
論文 参考訳（メタデータ） (2023-09-01T22:31:32Z) - DiffDis: Empowering Generative Diffusion Model with Cross-Modal
Discrimination Capability [75.9781362556431]
本稿では,拡散過程下での1つのフレームワークに,モダクティブと差別的事前学習を統一するDiffDisを提案する。
DiffDisは画像生成タスクと画像テキスト識別タスクの両方において単一タスクモデルよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-08-18T05:03:48Z) - Unsupervised Multimodal Change Detection Based on Structural
Relationship Graph Representation Learning [40.631724905575034]
教師なしマルチモーダル変化検出は、時間に敏感な緊急アプリケーションにおいて重要な役割を果たす、実用的で困難なトピックである。
マルチモーダル画像における2種類のモダリティ非依存構造関係を利用する。
本稿では,2つの構造関係の類似性を測定するための構造関係グラフ表現学習フレームワークを提案する。
論文 参考訳（メタデータ） (2022-10-03T13:55:08Z) - Unsupervised Domain Adaptation with Histogram-gated Image Translation
for Delayered IC Image Analysis [2.720699926154399]
Histogram-gated Image Translation (HGIT)は、特定のソースデータセットからターゲットデータセットのドメインに変換する、教師なしのドメイン適応フレームワークである。
提案手法は,報告したドメイン適応手法と比較して最高の性能を達成し,完全教師付きベンチマークに適当に近い。
論文 参考訳（メタデータ） (2022-09-27T15:53:22Z) - MOGAN: Morphologic-structure-aware Generative Learning from a Single
Image [59.59698650663925]
近年,1つの画像のみに基づく生成モデルによる完全学習が提案されている。
多様な外観のランダムなサンプルを生成するMOGANというMOrphologic-structure-aware Generative Adversarial Networkを紹介します。
合理的な構造の維持や外観の変化など、内部機能に重点を置いています。
論文 参考訳（メタデータ） (2021-03-04T12:45:23Z) - DoFE: Domain-oriented Feature Embedding for Generalizable Fundus Image
Segmentation on Unseen Datasets [96.92018649136217]
対象ドメインに対するCNNの一般化能力を向上させるために,新しいドメイン指向特徴埋め込み(DoFE)フレームワークを提案する。
私たちのDoFEフレームワークは、マルチソースドメインから学んだ追加のドメイン事前知識で、画像機能を動的に強化します。
本フレームワークは、未確認データセットのセグメンテーション結果を満足して生成し、他の領域の一般化やネットワークの正規化手法を超越する。
論文 参考訳（メタデータ） (2020-10-13T07:28:39Z) - Domain Adaptive Transfer Attack (DATA)-based Segmentation Networks for
Building Extraction from Aerial Images [3.786567767772753]
本稿では,航空画像から抽出するドメイン適応トランスファー攻撃方式に基づくセグメンテーションネットワークを提案する。
提案システムは,ドメイン転送と敵攻撃の概念を組み合わせたシステムである。
3つの異なるデータセットに対して、データセット間の実験とアブレーション実験を行った。
論文 参考訳（メタデータ） (2020-04-11T06:17:13Z)
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。