論文の概要: Unsupervised Domain Adaptation Using Feature Disentanglement And GCNs For Medical Image Classification

• arxiv url: http://arxiv.org/abs/2206.13123v1
• Date: Mon, 27 Jun 2022 09:02:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-29 00:11:13.638219
• Title: Unsupervised Domain Adaptation Using Feature Disentanglement And GCNs For Medical Image Classification
• Title（参考訳）: 医用画像分類のための特徴分散とGCNを用いた教師なし領域適応
• Authors: Dwarikanath Mahapatra
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 5.6512908295414
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: The success of deep learning has set new benchmarks for many medical image analysis tasks. However, deep models often fail to generalize in the presence of distribution shifts between training (source) data and test (target) data. One method commonly employed to counter distribution shifts is domain adaptation: using samples from the target domain to learn to account for shifted distributions. In this work we propose an unsupervised domain adaptation approach that uses graph neural networks and, disentangled semantic and domain invariant structural features, allowing for better performance across distribution shifts. We propose an extension to swapped autoencoders to obtain more discriminative features. We test the proposed method for classification on two challenging medical image datasets with distribution shifts - multi center chest Xray images and histopathology images. Experiments show our method achieves state-of-the-art results compared to other domain adaptation methods.
• Abstract（参考訳）: ディープラーニングの成功は、多くの医療画像分析タスクのための新しいベンチマークを設定した。 しかし、深層モデルは、トレーニング(ソース)データとテスト(ターゲット)データの間の分散シフトの存在を一般化できないことが多い。 分布シフトに対応するために一般的に使用される方法のひとつがドメイン適応(domain adaptation)である。 本研究では,非教師なし領域適応手法を提案する。この手法では,グラフニューラルネットワークとアンタングル型セマンティックおよびドメイン不変な構造的特徴を用いて,分散シフト間の性能向上を実現する。 より識別的な特徴を得るために,スワップされたオートエンコーダの拡張を提案する。 そこで本研究では,マルチセンター胸部X線像と病理像の2つの挑戦的医用画像データセットの分類法を検討した。 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を得た。

関連論文リスト

• Spectral Adversarial MixUp for Few-Shot Unsupervised Domain Adaptation [72.70876977882882]
  臨床応用においては、トレーニング画像(ソース領域)とテスト画像(ターゲット領域)が異なる分布下にある場合、ドメインシフトは一般的な問題である。 本稿では,Few-Shot Unsupervised Domain Adaptation (FSUDA) の新たな手法を提案する。
  論文  参考訳（メタデータ） (2023-09-03T16:02:01Z)
• Domain Adaptation for Medical Image Segmentation using Transformation-Invariant Self-Training [7.738197566031678]
  領域適応型変換不変自己学習(TI-ST)のための半教師付き学習戦略を提案する。 提案手法は,画素単位の擬似ラベルの信頼性を評価し,自己学習中の信頼できない検出をフィルタリングする。
  論文  参考訳（メタデータ） (2023-07-31T13:42:56Z)
• Curriculum-Based Augmented Fourier Domain Adaptation for Robust Medical Image Segmentation [18.830738606514736]
  本研究は、堅牢な医用画像分割のためのカリキュラムベースの拡張フーリエドメイン適応(Curri-AFDA)を提案する。 特に、カリキュラム学習戦略は、異なるレベルのデータシフトの下でのモデルの因果関係に基づいている。 複数のサイトやスキャナーから収集した網膜と核の2つのセグメンテーションタスクの実験から,提案手法が優れた適応と一般化性能をもたらすことが示唆された。
  論文  参考訳（メタデータ） (2023-06-06T08:56:58Z)
• PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
  医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。 本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
  論文  参考訳（メタデータ） (2022-07-24T07:45:47Z)
• Target and Task specific Source-Free Domain Adaptive Image Segmentation [73.78898054277538]
  ソースフリー領域適応画像分割のための2段階のアプローチを提案する。 我々は,高エントロピー領域を抑えつつ,ターゲット固有の擬似ラベルを生成することに注力する。 第2段階では、タスク固有の表現にネットワークを適用することに重点を置いている。
  論文  参考訳（メタデータ） (2022-03-29T17:50:22Z)
• 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)
• Unsupervised Domain Adaptation with Variational Approximation for Cardiac Segmentation [15.2292571922932]
  非教師なし領域適応は、医用画像セグメンテーションに有用である。 両ドメインの潜在機能を共通かつパラメータ化された変分形式に駆動する新しいフレームワークを提案する。 これは、変分オートエンコーダ(VAE)とこの変分近似の正規化に基づく2つのネットワークによって実現される。
  論文  参考訳（メタデータ） (2021-06-16T13:00:39Z)
• 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)
• A Review of Single-Source Deep Unsupervised Visual Domain Adaptation [81.07994783143533]
  大規模ラベル付きトレーニングデータセットにより、ディープニューラルネットワークは、幅広いベンチマークビジョンタスクを拡張できるようになった。 多くのアプリケーションにおいて、大量のラベル付きデータを取得するのは非常に高価で時間を要する。 限られたラベル付きトレーニングデータに対処するため、大規模ラベル付きソースドメインでトレーニングされたモデルを、疎ラベルまたは未ラベルのターゲットドメインに直接適用しようと試みている人も多い。
  論文  参考訳（メタデータ） (2020-09-01T00:06:50Z)
• Domain Generalizer: A Few-shot Meta Learning Framework for Domain Generalization in Medical Imaging [23.414905586808874]
  モデルに依存しないメタラーニングフレームワークをベースとした領域一般化手法をバイオメディカルイメージングに適用する。 ドメインに依存しない特徴表現を学習し、未知のテスト分布に対するモデルの一般化を改善する。 本手法は, 画像取得プロトコル, 解剖学, スキャン対象地域, 画像解析対象地域, 画像解析対象地域, 画像解析対象地域, 画像解析対象地域, 画像解析対象地域, 画像診断対象地域, 画像診断対象地域, 画像診断対象地域, 画像診断対象地域, 画像診断対象地域, 画像診断対象地域, 画像診断対象地域, 画像診断対象地域, 画像診断対象地域, 画像診断対象地域, 画像診断対象地域, 画像診断対象地域, 画像診断対象地域, 画像診断対象地域, 画像診断
  論文  参考訳（メタデータ） (2020-08-18T03:35:56Z)
• 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。