論文の概要: Noise transfer for unsupervised domain adaptation of retinal OCT images

• arxiv url: http://arxiv.org/abs/2209.08097v1
• Date: Fri, 16 Sep 2022 14:39:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-20 17:26:48.587902
• Title: Noise transfer for unsupervised domain adaptation of retinal OCT images
• Title（参考訳）: 網膜CT画像の教師なし領域適応のためのノイズ伝達
• Authors: Valentin Koch, Olle Holmberg, Hannah Spitzer, Johannes Schiefelbein, Ben Asani, Michael Hafner and Fabian J Theis
• Abstract要約: 特異値分解(SVDNA)に基づく最小雑音適応法を提案する。 本手法は,OCT装置間の領域ギャップを補うために,ノイズ構造の違いを利用する。 本手法は, 単純性に拘わらず, 最先端の教師なしドメイン適応法より優れているか, あるいは優れているかを実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Optical coherence tomography (OCT) imaging from different camera devices causes challenging domain shifts and can cause a severe drop in accuracy for machine learning models. In this work, we introduce a minimal noise adaptation method based on a singular value decomposition (SVDNA) to overcome the domain gap between target domains from three different device manufacturers in retinal OCT imaging. Our method utilizes the difference in noise structure to successfully bridge the domain gap between different OCT devices and transfer the style from unlabeled target domain images to source images for which manual annotations are available. We demonstrate how this method, despite its simplicity, compares or even outperforms state-of-the-art unsupervised domain adaptation methods for semantic segmentation on a public OCT dataset. SVDNA can be integrated with just a few lines of code into the augmentation pipeline of any network which is in contrast to many state-of-the-art domain adaptation methods which often need to change the underlying model architecture or train a separate style transfer model. The full code implementation for SVDNA is available at https://github.com/ValentinKoch/SVDNA.
• Abstract（参考訳）: 異なるカメラデバイスからの光コヒーレンストモグラフィ(OCT)イメージングは、ドメインシフトを難しくし、機械学習モデルの精度を著しく低下させる可能性がある。 本研究では,網膜CT画像における3つの異なるデバイスメーカのターゲットドメイン間の領域ギャップを克服するために,特異値分解(SVDNA)に基づく最小ノイズ適応法を提案する。 提案手法では, ノイズ構造の違いを利用して, 異なる OCT デバイス間の領域ギャップをブリッジし, そのスタイルをラベルのない対象ドメイン画像から手動アノテーションが利用できるソース画像に転送する。 提案手法は,その単純さにもかかわらず,公開OCTデータセットのセマンティックセマンティックセグメンテーションのための最先端の教師なしドメイン適応手法と比較し,さらに優れることを示す。 SVDNAは、基盤となるモデルアーキテクチャを変更したり、別のスタイル転送モデルをトレーニングする必要のある多くの最先端のドメイン適応手法とは対照的な、任意のネットワークの拡張パイプラインにわずか数行のコードに統合することができる。 SVDNAの完全な実装はhttps://github.com/ValentinKoch/SVDNAで公開されている。

関連論文リスト

• Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
  本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。 本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。 実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T02:27:02Z)
• Compositional Semantic Mix for Domain Adaptation in Point Cloud Segmentation [65.78246406460305]
  合成意味混合は、ポイントクラウドセグメンテーションのための最初の教師なし領域適応技術である。 本稿では、ソースドメイン(例えば合成)からの点雲とターゲットドメイン(例えば実世界)からの点雲を同時に処理できる2分岐対称ネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-08-28T14:43:36Z)
• Multi-Scale Multi-Target Domain Adaptation for Angle Closure Classification [50.658613573816254]
  角度閉包分類のためのM2DAN(Multi-scale Multi-target Domain Adversarial Network)を提案する。 異なるスケールでのこれらのドメイン不変性に基づいて、ソースドメインで訓練されたディープモデルは、複数のターゲットドメインの角度クロージャを分類することができる。
  論文  参考訳（メタデータ） (2022-08-25T15:27:55Z)
• MDT-Net: Multi-domain Transfer by Perceptual Supervision for Unpaired Images in OCT Scan [5.0401455466529335]
  MDT-Netを導入し、知覚的監督に基づくマルチドメイン転送モデルを用いて制限に対処する。 推論中、MDT-Netはソースドメインから複数のターゲットドメインへの画像を参照画像なしで一度に転送することができる。 実験の結果, MDT-Netは他のドメイン転送モデルよりも質的, 定量的に優れていることがわかった。
  論文  参考訳（メタデータ） (2022-03-12T06:59:50Z)
• 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 for Cross-Modality Retinal Vessel Segmentation via Disentangling Representation Style Transfer and Collaborative Consistency Learning [3.9562534927482704]
  ドメインシフトが大きいタスクに対する、新しいクロスモーダルな教師なしドメイン適応フレームワークDCDAを提案する。 本フレームワークは,OCTAからOCT,OCTからOCTAまで,目標に訓練されたオラクルに近いDiceスコアを達成し,他の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2022-01-13T07:03:16Z)
• Edge-preserving Domain Adaptation for semantic segmentation of Medical Images [0.0]
  ドメイン適応は、目に見えない環境で大量のラベル付きデータの不足に対処する技術である。 本稿では,元の画像のエッジの詳細を維持しつつ,サイクル一貫性損失を用いてドメイン間を適応するモデルを提案する。 2つの眼底血管セグメンテーションデータセットの他のアプローチと比較することにより,本アルゴリズムの有効性を実証する。
  論文  参考訳（メタデータ） (2021-11-18T18:14:33Z)
• 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)
• FDA: Fourier Domain Adaptation for Semantic Segmentation [82.4963423086097]
  本稿では,教師なし領域適応の簡易な手法について述べる。一方の低周波スペクトルを他方と交換することにより,音源と対象分布の相違を低減できる。 本手法を意味的セグメンテーション(semantic segmentation, 意味的セグメンテーション, 意味的セグメンテーション)で説明する。 以上の結果から,より高度な手法が学習に苦しむデータにおいて,単純な手順であってもニュアンス変動を低減できる可能性が示唆された。
  論文  参考訳（メタデータ） (2020-04-11T22:20:48Z)
• CrDoCo: Pixel-level Domain Transfer with Cross-Domain Consistency [119.45667331836583]
  教師なしのドメイン適応アルゴリズムは、あるドメインから学んだ知識を別のドメインに転送することを目的としている。 本稿では,新しい画素単位の対向領域適応アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-01-09T19:00:35Z)

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。