論文の概要: ConFUDA: Contrastive Fewshot Unsupervised Domain Adaptation for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2206.03888v1
• Date: Wed, 8 Jun 2022 13:39:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-09 19:12:54.697516
• Title: ConFUDA: Contrastive Fewshot Unsupervised Domain Adaptation for Medical Image Segmentation
• Title（参考訳）: Confuda: 医用画像セグメンテーションのための対照的なFewshotunsupervised Domain Adaptation
• Authors: Mingxuan Gu, Sulaiman Vesal, Mareike Thies, Zhaoya Pan, Fabian Wagner, Mirabela Rusu, Andreas Maier, Ronak Kosti
• Abstract要約: Unsupervised domain adapt (UDA) は、ラベル付きソースドメインから未ラベルのターゲットドメインに学習した知識を転送することを目的としている。 画像セグメント化では、画素単位のコントラスト損失の計算による大きなメモリフットプリントは使用を禁止している。 本稿では,CCL(Centroid-based contrastive learning)とCNR(Centroid norm regularizer)を提案する。
• 参考スコア（独自算出の注目度）: 12.991221415461673
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unsupervised domain adaptation (UDA) aims to transfer knowledge learned from a labeled source domain to an unlabeled target domain. Contrastive learning (CL) in the context of UDA can help to better separate classes in feature space. However, in image segmentation, the large memory footprint due to the computation of the pixel-wise contrastive loss makes it prohibitive to use. Furthermore, labeled target data is not easily available in medical imaging, and obtaining new samples is not economical. As a result, in this work, we tackle a more challenging UDA task when there are only a few (fewshot) or a single (oneshot) image available from the target domain. We apply a style transfer module to mitigate the scarcity of target samples. Then, to align the source and target features and tackle the memory issue of the traditional contrastive loss, we propose the centroid-based contrastive learning (CCL) and a centroid norm regularizer (CNR) to optimize the contrastive pairs in both direction and magnitude. In addition, we propose multi-partition centroid contrastive learning (MPCCL) to further reduce the variance in the target features. Fewshot evaluation on MS-CMRSeg dataset demonstrates that ConFUDA improves the segmentation performance by 0.34 of the Dice score on the target domain compared with the baseline, and 0.31 Dice score improvement in a more rigorous oneshot setting.
• Abstract（参考訳）: unsupervised domain adaptation (uda) はラベル付きソースドメインから学んだ知識をラベルなしのターゲットドメインに転送することを目的としている。 udaのコンテキストにおけるコントラスト学習(cl)は、機能空間でクラスを分離するのに役立つ。 しかし、画像セグメント化においては、画素単位のコントラスト損失の計算による大きなメモリフットプリントは使用を禁止している。 また,医療画像ではラベル付き対象データが容易に利用できず,新たなサンプルの取得は経済的ではない。 結果として、この作業では、ターゲットドメインから利用可能な(フェウショット)や1つの(ワンショット)イメージしか存在しない場合に、より困難なudaタスクに取り組みます。 ターゲットサンプルの不足を緩和するために,スタイル転送モジュールを適用する。 次に、ソースとターゲットの特徴を整合させ、従来のコントラスト損失のメモリ問題に取り組むために、ccl(centroid-based contrastive learning)とcnr(centroid norm regularizer)を提案し、両方向と大きさのコントラストペアを最適化する。 さらに,対象特徴のばらつきをさらに低減するために,多部構成型セントロイドコントラスト学習(mpccl)を提案する。 ms-cmrsegデータセットにおける少数のショット評価は、より厳密なワンショット設定で、confudaがターゲット領域のサイコロスコアの0.04パーセント向上し、0.31サイコロスコアの改善を実証している。

関連論文リスト

• 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)
• Semi-supervised Domain Adaptive Medical Image Segmentation through Consistency Regularized Disentangled Contrastive Learning [11.049672162852733]
  本研究では,医用画像分割のための半教師付き領域適応法(SSDA)について検討した。 本稿では,2段階の学習プロセスを提案する。まず,新しいドメイン・コンテント・ディコンタングル・コントラスト学習(CL)と画素レベルの特徴整合性制約を用いて,自己学習パラダイムでエンコーダを事前学習する。 提案手法がUDA設定で容易に拡張可能であることを実験的に検証し、提案手法の優位性を高める。
  論文  参考訳（メタデータ） (2023-07-06T06:13:22Z)
• Class Anchor Margin Loss for Content-Based Image Retrieval [97.81742911657497]
  距離学習パラダイムに該当する新しいレペラ・トラクタ損失を提案するが、ペアを生成する必要がなく、直接L2メトリックに最適化する。 CBIRタスクにおいて,畳み込みアーキテクチャと変圧器アーキテクチャの両方を用いて,少数ショットおよびフルセットトレーニングの文脈で提案した目的を評価する。
  論文  参考訳（メタデータ） (2023-06-01T12:53:10Z)
• MSCDA: Multi-level Semantic-guided Contrast Improves Unsupervised Domain Adaptation for Breast MRI Segmentation in Small Datasets [5.272836235045653]
  マルチレベルセマンティック・ガイド・コントラスト・ドメイン・アダプティブ・フレームワークを提案する。 我々のアプローチは、ドメイン間の特徴表現を整合させるために、対照的な学習を伴う自己学習を取り入れている。 特に,ピクセル・ツー・ピクセル,ピクセル・ツー・セントロイド,セントロイド・ツー・セントロイドのコントラストを取り入れることで,コントラストの損失を増大させる。
  論文  参考訳（メタデータ） (2023-01-04T19:16:55Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• 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)
• Unsupervised Domain Adaptation with Contrastive Learning for OCT Segmentation [49.59567529191423]
  本稿では,新しい未ラベル領域からのボリューム画像のセグメンテーションのための,新しい半教師付き学習フレームワークを提案する。 教師付き学習とコントラスト学習を併用し、3次元の近傍スライス間の類似性を利用したコントラストペア方式を導入する。
  論文  参考訳（メタデータ） (2022-03-07T19:02:26Z)
• Few-shot Unsupervised Domain Adaptation for Multi-modal Cardiac Image Segmentation [16.94252910722673]
  非教師なしドメイン適応(UDA)手法は、ラベルなしターゲットドメインとラベル付きソースドメインデータを使用することで、ソースとターゲットドメインのギャップを減らすことを目的としている。 本稿では, 対象患者1名のみを対象とする, 現実的なシナリオにおいて, UDA の可能性について検討する。 我々はまず、まずソース画像からターゲットスタイルの画像を生成し、ランダム適応インスタンス正規化(RAIN)を持つ単一ターゲット患者から多様なターゲットスタイルを探索する。 そして、生成したターゲット画像と教師付きでセグメンテーションネットワークを訓練する。
  論文  参考訳（メタデータ） (2022-01-28T19:28:48Z)
• 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)
• Learning Target Domain Specific Classifier for Partial Domain Adaptation [85.71584004185031]
  非教師付きドメイン適応(UDA)は、ラベル付きソースドメインからラベル付きターゲットドメインに知識を転送する際の分散不一致を低減することを目的としている。 本稿では,ターゲットラベル空間をソースラベル空間に仮定する,より現実的なUDAシナリオに焦点を当てる。
  論文  参考訳（メタデータ） (2020-08-25T02:28:24Z)

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。