論文の概要: Unsupervised Domain Adaptation through Shape Modeling for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2207.02529v1
• Date: Wed, 6 Jul 2022 09:16:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-07 13:55:38.241083
• Title: Unsupervised Domain Adaptation through Shape Modeling for Medical Image Segmentation
• Title（参考訳）: 医用画像分割のための形状モデリングによる教師なし領域適応
• Authors: Yuan Yao, Fengze Liu, Zongwei Zhou, Yan Wang, Wei Shen, Alan Yuille, Yongyi Lu
• Abstract要約: 医用画像のセグメンテーションを支援するために, 形状を明示的にモデル化し, 利用することを目的としている。 従来の方法では、特定の臓器の形状の分布を学習するための変分オートエンコーダ(VAE)モデルが提案されていた。 本研究では,教師/学生の学習パラダイムの下で,擬似的損失とVAE再構成損失に基づく教師なしドメイン適応パイプラインを提案する。
• 参考スコア（独自算出の注目度）: 23.045760366698634
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Shape information is a strong and valuable prior in segmenting organs in medical images. However, most current deep learning based segmentation algorithms have not taken shape information into consideration, which can lead to bias towards texture. We aim at modeling shape explicitly and using it to help medical image segmentation. Previous methods proposed Variational Autoencoder (VAE) based models to learn the distribution of shape for a particular organ and used it to automatically evaluate the quality of a segmentation prediction by fitting it into the learned shape distribution. Based on which we aim at incorporating VAE into current segmentation pipelines. Specifically, we propose a new unsupervised domain adaptation pipeline based on a pseudo loss and a VAE reconstruction loss under a teacher-student learning paradigm. Both losses are optimized simultaneously and, in return, boost the segmentation task performance. Extensive experiments on three public Pancreas segmentation datasets as well as two in-house Pancreas segmentation datasets show consistent improvements with at least 2.8 points gain in the Dice score, demonstrating the effectiveness of our method in challenging unsupervised domain adaptation scenarios for medical image segmentation. We hope this work will advance shape analysis and geometric learning in medical imaging.
• Abstract（参考訳）: 形状情報は、医用画像における臓器の分節化に先立って、強力で価値のあるものである。 しかし、現在のディープラーニングベースセグメンテーションアルゴリズムの多くは、形状情報を考慮に入れておらず、テクスチャへのバイアスをもたらす可能性がある。 形状を明示的にモデル化し,それを用いて医用画像のセグメンテーションを支援する。 従来,ある臓器の形状分布を学習するための変分オートエンコーダ (VAE) モデルを提案し,それを学習形状分布に適合させてセグメント化予測の質を自動評価するために用いた。 VAEを現在のセグメンテーションパイプラインに組み込むことを目標としています。 具体的には,教師・学生の学習パラダイムにおいて,疑似損失とvae再構成損失に基づく新しい教師なしドメイン適応パイプラインを提案する。 どちらの損失も同時に最適化され、代わりにセグメンテーションタスクのパフォーマンスが向上する。 3つのパブリック・パンクレアス・セグメンテーション・データセットと2つの社内のパンクレアスセグメンテーションデータセットに関する広範囲な実験は、少なくとも2.8ポイントの利得で一貫した改善を示し、医療画像セグメンテーションにおける教師なしドメイン適応シナリオへの挑戦において、この手法の有効性を実証した。 医用画像における形状解析と幾何学的学習の進歩を願っている。

関連論文リスト

• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Abdominal organ segmentation via deep diffeomorphic mesh deformations [5.4173776411667935]
  CTとMRIによる腹部臓器の分節は,手術計画とコンピュータ支援ナビゲーションシステムにとって必須の要件である。 肝, 腎, 膵, 脾の分節に対するテンプレートベースのメッシュ再構成法を応用した。 結果として得られたUNetFlowは4つの器官すべてによく当てはまり、新しいデータに基づいて簡単に微調整できる。
  論文  参考訳（メタデータ） (2023-06-27T14:41:18Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• 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)
• Adapting the Mean Teacher for keypoint-based lung registration under geometric domain shifts [75.51482952586773]
  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。
  論文  参考訳（メタデータ） (2022-07-01T12:16:42Z)
• Multi-organ Segmentation Network with Adversarial Performance Validator [10.775440368500416]
  本稿では,2次元から3次元のセグメンテーションフレームワークに対向的な性能検証ネットワークを導入する。 提案したネットワークは, 2次元粗い結果から3次元高品質なセグメンテーションマスクへの変換を行い, 共同最適化によりセグメンテーション精度が向上する。 NIH膵分節データセットの実験では、提案したネットワークが小臓器分節の最先端の精度を達成し、過去の最高性能を上回った。
  論文  参考訳（メタデータ） (2022-04-16T18:00:29Z)
• Cascaded Robust Learning at Imperfect Labels for Chest X-ray Segmentation [61.09321488002978]
  不完全アノテーションを用いた胸部X線分割のための新しいカスケードロバスト学習フレームワークを提案する。 モデルは3つの独立したネットワークから成り,ピアネットワークから有用な情報を効果的に学習できる。 提案手法は,従来の手法と比較して,セグメント化タスクの精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2021-04-05T15:50:16Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• Weakly-Supervised Segmentation for Disease Localization in Chest X-Ray Images [0.0]
  医用胸部X線画像のセマンティックセグメンテーションに対する新しいアプローチを提案する。 本手法は肺と胸壁の間の異常な空気量を検出するための胸部X線検査に適用可能である。
  論文  参考訳（メタデータ） (2020-07-01T20:48:35Z)
• Progressive Adversarial Semantic Segmentation [11.323677925193438]
  深い畳み込みニューラルネットワークは、完全な監視が与えられた場合、非常によく機能する。 画像解析タスクのための完全教師付きモデルの成功は、大量のラベル付きデータの入手に限られる。 本稿では,新しい医用画像分割モデル,Progressive Adrial Semantic(PASS)を提案する。
  論文  参考訳（メタデータ） (2020-05-08T22:48:00Z)

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。