論文の概要: Single-domain Generalization in Medical Image Segmentation via Test-time
Adaptation from Shape Dictionary
- arxiv url: http://arxiv.org/abs/2206.14467v1
- Date: Wed, 29 Jun 2022 08:46:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-01 01:53:32.494863
- Title: Single-domain Generalization in Medical Image Segmentation via Test-time
Adaptation from Shape Dictionary
- Title（参考訳）: 形状辞書からのテスト時間適応による医用画像分割における単一領域一般化
- Authors: Quande Liu, Cheng Chen, Qi Dou, Pheng-Ann Heng
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 64.5632303184502
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Domain generalization typically requires data from multiple source domains
for model learning. However, such strong assumption may not always hold in
practice, especially in medical field where the data sharing is highly
concerned and sometimes prohibitive due to privacy issue. This paper studies
the important yet challenging single domain generalization problem, in which a
model is learned under the worst-case scenario with only one source domain to
directly generalize to different unseen target domains. We present a novel
approach to address this problem in medical image segmentation, which extracts
and integrates the semantic shape prior information of segmentation that are
invariant across domains and can be well-captured even from single domain data
to facilitate segmentation under distribution shifts. Besides, a test-time
adaptation strategy with dual-consistency regularization is further devised to
promote dynamic incorporation of these shape priors under each unseen domain to
improve model generalizability. Extensive experiments on two medical image
segmentation tasks demonstrate the consistent improvements of our method across
various unseen domains, as well as its superiority over state-of-the-art
approaches in addressing domain generalization under the worst-case scenario.
- Abstract（参考訳）: 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のデータを必要とする。
しかし、そのような強い仮定は、特にデータ共有が重要であり、プライバシーの問題により時々禁止される医療分野において、常に成り立つわけではない。
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一般化問題について考察する。
本稿では,この課題に対処するための新しい手法として,領域をまたがって不変なセグメンテーションの意味的形状先行情報を抽出・統合し,分散シフト下でのセグメンテーションを容易にする手法を提案する。
さらに, モデル一般化性を向上させるために, 両立正則化を伴うテスト時間適応戦略を考案し, これらの形状の動的組込みを促進する。
2つの医用画像セグメンテーションタスクに対する広範囲な実験は、最悪のシナリオ下でのドメインの一般化に対処する最先端のアプローチよりも、さまざまな未確認領域にまたがる手法の一貫性のある改善を実証している。
関連論文リスト
- Domain Generalization via Causal Adjustment for Cross-Domain Sentiment
Analysis [59.73582306457387]
クロスドメイン感情分析における領域一般化の問題に焦点をあてる。
本稿では,ドメイン固有表現とドメイン不変表現をアンタングル化するバックドア調整に基づく因果モデルを提案する。
一連の実験は、我々のモデルの優れたパフォーマンスと堅牢性を示しています。
論文 参考訳（メタデータ） (2024-02-22T13:26:56Z) - 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) - Contrastive Domain Disentanglement for Generalizable Medical Image
Segmentation [12.863227646939563]
本稿では,一般的な医用画像分割のためのコントラストディスタングル・ドメイン(CDD)ネットワークを提案する。
まず、医用画像を解剖学的表現因子とモダリティ表現因子に分解する不整合ネットワークを導入する。
次に、モデル一般化学習のための新しい領域をランダムに生成できる領域拡張戦略を提案する。
論文 参考訳（メタデータ） (2022-05-13T10:32:41Z) - Compound Domain Generalization via Meta-Knowledge Encoding [55.22920476224671]
マルチモーダル分布を再正規化するために,スタイル駆動型ドメイン固有正規化(SDNorm)を導入する。
組込み空間における関係モデリングを行うために,プロトタイプ表現,クラスセントロイドを利用する。
4つの標準ドメイン一般化ベンチマークの実験により、COMENはドメインの監督なしに最先端のパフォーマンスを上回ることが判明した。
論文 参考訳（メタデータ） (2022-03-24T11:54:59Z) - Domain Generalization via Gradient Surgery [5.38147998080533]
現実のアプリケーションでは、マシンラーニングモデルは、トレーニングとテストドメイン間のデータ分散の変化があるシナリオに直面します。
本研究では,ドメインシフトのシナリオに現れる矛盾する勾配を特徴付けるとともに,新たな勾配合意戦略を考案する。
論文 参考訳（メタデータ） (2021-08-03T16:49:25Z) - Semi-supervised Meta-learning with Disentanglement for
Domain-generalised Medical Image Segmentation [15.351113774542839]
新たなセンター(ここではドメイン)からの新しいデータにモデルを一般化することは、依然として課題である。
本稿では,絡み合いを伴う半教師付きメタラーニングフレームワークを提案する。
提案手法は,異なるセグメンテーションタスクに対して頑健であり,2つの公開ベンチマーク上での最先端の一般化性能を実現する。
論文 参考訳（メタデータ） (2021-06-24T19:50:07Z) - 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) - Shape-aware Meta-learning for Generalizing Prostate MRI Segmentation to
Unseen Domains [68.73614619875814]
前立腺MRIのセグメント化におけるモデル一般化を改善するために,新しい形状認識メタラーニング手法を提案する。
実験結果から,本手法は未確認領域の6つの設定すべてにおいて,最先端の一般化手法を一貫して上回っていることが明らかとなった。
論文 参考訳（メタデータ） (2020-07-04T07:56:02Z) - 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) - Generalizable Model-agnostic Semantic Segmentation via Target-specific
Normalization [24.14272032117714]
一般化可能なセマンティックセグメンテーションタスクのための新しいドメイン一般化フレームワークを提案する。
モデルに依存しない学習を利用してドメインシフト問題をシミュレートする。
観測対象領域と観測対象領域間のデータ分散の相違を考慮し、目標固有正規化方式を開発する。
論文 参考訳（メタデータ） (2020-03-27T09:25:19Z)
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。