論文の概要: Adapting the Mean Teacher for keypoint-based lung registration under geometric domain shifts

• arxiv url: http://arxiv.org/abs/2207.00371v1
• Date: Fri, 1 Jul 2022 12:16:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-04 18:06:16.339235
• Title: Adapting the Mean Teacher for keypoint-based lung registration under geometric domain shifts
• Title（参考訳）: 幾何学的領域シフト下におけるキーポイント型肺登録のための平均教師の適応
• Authors: Alexander Bigalke, Lasse Hansen, Mattias P. Heinrich
• Abstract要約: ディープニューラルネットワークは一般的に、ラベル付きトレーニングデータが多く必要であり、トレーニングデータとテストデータの間のドメインシフトに弱い。 本稿では,ラベル付きソースからラベル付きターゲットドメインへのモデルの適用により,画像登録のための幾何学的領域適応手法を提案する。 本手法は,ベースラインモデルの精度を目標データに適合させながら,ベースラインモデルの50%/47%を継続的に改善する。
• 参考スコア（独自算出の注目度）: 75.51482952586773
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent deep learning-based methods for medical image registration achieve results that are competitive with conventional optimization algorithms at reduced run times. However, deep neural networks generally require plenty of labeled training data and are vulnerable to domain shifts between training and test data. While typical intensity shifts can be mitigated by keypoint-based registration, these methods still suffer from geometric domain shifts, for instance, due to different fields of view. As a remedy, in this work, we present a novel approach to geometric domain adaptation for image registration, adapting a model from a labeled source to an unlabeled target domain. We build on a keypoint-based registration model, combining graph convolutions for geometric feature learning with loopy belief optimization, and propose to reduce the domain shift through self-ensembling. To this end, we embed the model into the Mean Teacher paradigm. We extend the Mean Teacher to this context by 1) adapting the stochastic augmentation scheme and 2) combining learned feature extraction with differentiable optimization. This enables us to guide the learning process in the unlabeled target domain by enforcing consistent predictions of the learning student and the temporally averaged teacher model. We evaluate the method for exhale-to-inhale lung CT registration under two challenging adaptation scenarios (DIR-Lab 4D CT to COPD, COPD to Learn2Reg). Our method consistently improves on the baseline model by 50%/47% while even matching the accuracy of models trained on target data. Source code is available at https://github.com/multimodallearning/registration-da-mean-teacher.
• Abstract（参考訳）: 近年の深層学習に基づく医用画像登録法は, 従来の最適化アルゴリズムと競合する結果が得られる。 しかし、ディープニューラルネットワークは通常、多くのラベル付きトレーニングデータを必要とし、トレーニングとテストデータの間のドメインシフトに弱い。 典型的な強度シフトはキーポイントベースの登録によって緩和できるが、これらの手法は、例えば異なる視野で幾何学的な領域シフトに悩まされている。 本研究では,ラベル付きソースからラベル付きターゲットドメインへのモデルの適用により,画像登録のための幾何学的領域適応に対する新しいアプローチを提案する。 幾何学的特徴学習のためのグラフ畳み込みとループ的信念最適化を組み合わせたキーポイントに基づく登録モデルを構築し,自己センシングによるドメインシフトの低減を提案する。 この目的のために、私たちはこのモデルを平均的な教師パラダイムに組み込む。 我々は平均教師をこの文脈に拡張する 1)確率的増補計画の適応、及び 2)学習した特徴抽出と微分可能な最適化を組み合わせる。 これにより、学習者の一貫した予測と時間平均教師モデルにより、ラベルのない対象領域での学習プロセスを導くことができる。 DIR-Lab 4D CT から COPD , COPD から Learn2Reg への2つの適応シナリオを用いて,吸入吸入肺CT 登録法の評価を行った。 本手法は,ベースラインモデルの精度を目標データに適合させながら,ベースラインモデルの50%/47%を継続的に改善する。 ソースコードはhttps://github.com/multimodallearning/registration-da-mean-teacherで入手できる。

関連論文リスト

• Robust Source-Free Domain Adaptation for Fundus Image Segmentation [3.585032903685044]
  Unlabelled Domain Adaptation (UDA)は、ラベル付きデータから学習した知識を、未ラベルデータのみを使用してターゲットドメインに転送する学習技術である。 本研究では,ロバストドメイン適応のための2段階トレーニングステージを提案する。 本稿では,ラベルのないターゲットデータを有効利用して擬似ラベルと擬似境界を生成する,ロバストな擬似ラベルと擬似境界(PLPB)手法を提案する。
  論文  参考訳（メタデータ） (2023-10-25T14:25:18Z)
• DaMSTF: Domain Adversarial Learning Enhanced Meta Self-Training for Domain Adaptation [20.697905456202754]
  ドメイン適応のための新しい自己学習フレームワーク、すなわちドメイン逆学習強化自己学習フレームワーク(DaMSTF)を提案する。 DaMSTFはメタラーニングによって各擬似インスタンスの重要性を推定し、ラベルノイズを同時に低減し、ハードサンプルを保存する。 DaMSTFはBERTの性能を平均4%近く改善する。
  論文  参考訳（メタデータ） (2023-08-05T00:14:49Z)
• A denoised Mean Teacher for domain adaptive point cloud registration [81.43344461130474]
  ポイントクラウドベースの医療登録は、計算効率の向上、強度シフトに対する堅牢性、匿名性保護を約束する。 合成変形に関する教師付きトレーニングは代替となるが、ドメインギャップと実際のドメインとの差に悩まされる。 本稿では,2つの相補的デノベーション戦略を含む,ポイントクラウド登録のための教師/学生の指導パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-06-26T15:03:47Z)
• Anatomy-guided domain adaptation for 3D in-bed human pose estimation [62.3463429269385]
  3次元人間のポーズ推定は臨床モニタリングシステムにおいて重要な要素である。 ラベル付きソースからシフトしたラベル付きターゲットドメインにモデルを適応させる新しいドメイン適応方式を提案する。 我々の手法は、様々な最先端のドメイン適応法より一貫して優れています。
  論文  参考訳（メタデータ） (2022-11-22T11:34:51Z)
• Stacking Ensemble Learning in Deep Domain Adaptation for Ophthalmic Image Classification [61.656149405657246]
  ドメイン適応は、十分なラベルデータを取得することが困難な画像分類タスクに有効である。 本稿では,3つのドメイン適応手法を拡張することで,アンサンブル学習を積み重ねるための新しい手法SELDAを提案する。 Age-Related Eye Disease Study (AREDS)ベンチマーク眼科データセットを用いた実験結果から,提案モデルの有効性が示された。
  論文  参考訳（メタデータ） (2022-09-27T14:19:00Z)
• 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)
• Efficient Variational Graph Autoencoders for Unsupervised Cross-domain Prerequisite Chains [3.358838755118655]
  本稿では,このドメイン間前提連鎖学習タスクを効率的に解くために,DAVGAE(Domain-versaational Variational Graph Autoencoders)を導入する。 我々の新しいモデルは変分グラフオートエンコーダ(VGAE)とドメイン識別器から構成される。 その結果,本モデルは1/10グラフスケールと1/3時間のみを用いて,最近のグラフベースの計算より優れていることがわかった。
  論文  参考訳（メタデータ） (2021-09-17T19:07:27Z)
• On Universal Black-Box Domain Adaptation [53.7611757926922]
  実践的な展開という観点から,ドメイン適応の最小限の制約条件について検討する。 ソースモデルのインターフェースのみがターゲットドメインで利用可能であり、2つのドメイン間のラベル空間関係が異なることや未知であることが許されている。 対象試料の局所近傍における予測の整合性によって正規化された自己訓練フレームワークに統一することを提案する。
  論文  参考訳（メタデータ） (2021-04-10T02:21:09Z)
• Adapt Everywhere: Unsupervised Adaptation of Point-Clouds and Entropy Minimisation for Multi-modal Cardiac Image Segmentation [10.417009344120917]
  マルチモーダル心臓画像分割のための新しいUDA法を提案する。 提案手法は、逆学習に基づいて、異なる空間におけるソースとターゲットドメイン間のネットワーク特徴を適応する。 本手法はannotated source domainからunannotated target domainへの適応により2つの心データセットで検証した。
  論文  参考訳（メタデータ） (2021-03-15T08:59:44Z)
• Keep it Simple: Image Statistics Matching for Domain Adaptation [0.0]
  ドメイン適応(英: Domain Adaptation, DA)とは、未ラベル画像のみが対象領域から利用可能である場合に検出精度を維持する手法である。 最近の最先端の手法は、敵の訓練戦略を用いて領域ギャップを減らそうとしている。 そこで本研究では,色ヒストグラムと平均画像の共分散を対象領域に合わせることを提案する。 近年の手法と比較して,より簡単な訓練手法を用いて最先端の性能を実現する。
  論文  参考訳（メタデータ） (2020-05-26T07:32:09Z)

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。