論文の概要: Contrastive Image Synthesis and Self-supervised Feature Adaptation for
Cross-Modality Biomedical Image Segmentation
- arxiv url: http://arxiv.org/abs/2207.13240v3
- Date: Fri, 1 Sep 2023 17:08:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-04 17:27:51.338967
- Title: Contrastive Image Synthesis and Self-supervised Feature Adaptation for
Cross-Modality Biomedical Image Segmentation
- Title（参考訳）: クロスモーダル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コントラスト画像合成と自己監督的特徴適応
- Authors: Xinrong Hu, Corey Wang, Yiyu Shi
- Abstract要約: CISFAは、画像ドメインの翻訳と、クロスモーダルなバイオメディカルなイメージセグメンテーションのための教師なしの機能適応に基づいている。
我々は,片側生成モデルを用いて,入力画像のサンプルパッチと対応する合成画像との重み付けパッチワイドコントラスト損失を付加する。
腹腔・全心に対するCTおよびMRI画像を含むセグメンテーションタスクについて検討した。
- 参考スコア（独自算出の注目度）: 8.772764547425291
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This work presents a novel framework CISFA (Contrastive Image synthesis and
Self-supervised Feature Adaptation)that builds on image domain translation and
unsupervised feature adaptation for cross-modality biomedical image
segmentation. Different from existing works, we use a one-sided generative
model and add a weighted patch-wise contrastive loss between sampled patches of
the input image and the corresponding synthetic image, which serves as shape
constraints. Moreover, we notice that the generated images and input images
share similar structural information but are in different modalities. As such,
we enforce contrastive losses on the generated images and the input images to
train the encoder of a segmentation model to minimize the discrepancy between
paired images in the learned embedding space. Compared with existing works that
rely on adversarial learning for feature adaptation, such a method enables the
encoder to learn domain-independent features in a more explicit way. We
extensively evaluate our methods on segmentation tasks containing CT and MRI
images for abdominal cavities and whole hearts. Experimental results show that
the proposed framework not only outputs synthetic images with less distortion
of organ shapes, but also outperforms state-of-the-art domain adaptation
methods by a large margin.
- Abstract（参考訳）: 本研究は, 画像ドメイン翻訳と非教師なし特徴適応に基づく, クロスモーダルバイオメディカル画像セグメンテーションのための新しいフレームワーク CISFA (Contrastive Image synthesis and Self-supervised Feature Adaptation) を提案する。
既存の作品と異なり、片面生成モデルを用いて、入力画像のサンプルパッチと対応する合成画像との重み付きパッチ回りの対比損失を付加し、形状制約となる。
さらに, 生成した画像と入力画像が類似した構造情報を共有するが, モダリティが異なることに気付く。
そこで我々は、生成した画像と入力画像に対してコントラスト的損失を課し、セグメンテーションモデルのエンコーダを訓練し、学習された埋め込み空間におけるペア画像間の差を最小限に抑える。
機能適応のための逆学習に依存する既存の作品と比較すると、エンコーダはより明示的な方法でドメインに依存しない特徴を学習できる。
腹部空洞および全心臓に対するctおよびmri画像を含む分節処理の方法について広範囲に検討した。
実験結果から,提案フレームワークは臓器形状の歪みが少なく合成画像を出力するだけでなく,最先端の領域適応法よりも大きなマージンで優れることがわかった。
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) - A Simple and Robust Framework for Cross-Modality Medical Image
Segmentation applied to Vision Transformers [0.0]
単一条件モデルを用いて複数モードの公平な画像分割を実現するための簡単なフレームワークを提案する。
本研究の枠組みは,マルチモーダル全心条件課題において,他のモダリティセグメンテーション手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-10-09T09:51:44Z) - 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) - SIAN: Style-Guided Instance-Adaptive Normalization for Multi-Organ
Histopathology Image Synthesis [63.845552349914186]
本研究では,異なる臓器に対して,現実的な色分布とテクスチャを合成するためのスタイル誘導型インスタンス適応正規化(SIAN)を提案する。
4つのフェーズは一緒に動作し、生成ネットワークに統合され、イメージセマンティクス、スタイル、インスタンスレベルのバウンダリを埋め込む。
論文 参考訳（メタデータ） (2022-09-02T16:45:46Z) - CT Image Synthesis Using Weakly Supervised Segmentation and Geometric
Inter-Label Relations For COVID Image Analysis [4.898744396854313]
解剖学的ラベル間の関係を学習し,GANを用いた医用画像合成法の改良を提案する。
本手法から得られた合成画像を用いて,肺CT画像から新型コロナウイルス感染領域を抽出するネットワークを訓練する。
論文 参考訳（メタデータ） (2021-06-15T07:21:24Z) - Segmentation-Renormalized Deep Feature Modulation for Unpaired Image
Harmonization [0.43012765978447565]
サイクル一貫性のある生成共役ネットワークは、ソースとターゲットドメイン間のイメージセットの調和に使われてきた。
これらの手法は、不安定性、コントラストの逆転、病理の難治性操作、および実際の医用画像における信頼性を制限したステガノグラフィーマッピングの傾向が強い。
解剖学的レイアウトを維持しながらスキャナ間の調和を低減するセグメンテーション正規化画像翻訳フレームワークを提案する。
論文 参考訳（メタデータ） (2021-02-11T23:53:51Z) - Towards Unsupervised Learning for Instrument Segmentation in Robotic
Surgery with Cycle-Consistent Adversarial Networks [54.00217496410142]
本稿では、入力された内視鏡画像と対応するアノテーションとのマッピングを学習することを目的として、未ペア画像から画像への変換を提案する。
当社のアプローチでは,高価なアノテーションを取得することなく,イメージセグメンテーションモデルをトレーニングすることが可能です。
提案手法をEndovis 2017チャレンジデータセットで検証し,教師付きセグメンテーション手法と競合することを示す。
論文 参考訳（メタデータ） (2020-07-09T01:39:39Z) - Pathological Retinal Region Segmentation From OCT Images Using Geometric
Relation Based Augmentation [84.7571086566595]
本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。
提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
論文 参考訳（メタデータ） (2020-03-31T11:50:43Z) - Unsupervised Bidirectional Cross-Modality Adaptation via Deeply
Synergistic Image and Feature Alignment for Medical Image Segmentation [73.84166499988443]
我々は、Synergistic Image and Feature Alignment (SIFA)と名付けられた新しい教師なしドメイン適応フレームワークを提案する。
提案するSIFAは、画像と特徴の両方の観点から、ドメインの相乗的アライメントを行う。
2つの異なるタスクに対する実験結果から,SIFA法は未ラベル対象画像のセグメンテーション性能を向上させるのに有効であることが示された。
論文 参考訳（メタデータ） (2020-02-06T13:49:47Z)
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。