論文の概要: Semi-Supervised Domain Generalization for Cardiac Magnetic Resonance
Image Segmentation with High Quality Pseudo Labels
- arxiv url: http://arxiv.org/abs/2209.15451v1
- Date: Fri, 30 Sep 2022 12:57:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-03 16:25:32.842688
- Title: Semi-Supervised Domain Generalization for Cardiac Magnetic Resonance
Image Segmentation with High Quality Pseudo Labels
- Title（参考訳）: 高画質擬似ラベルを用いた心臓磁気共鳴画像分割のための半監督領域一般化
- Authors: Wanqin Ma, Huifeng Yao, Yiqun Lin, Jiarong Guo, and Xiaomeng Li
- Abstract要約: 半教師型医療セグメント化のための領域一般化手法を提案する。
本研究の主な目的は,各種領域を用いた極端なMRI解析による擬似ラベルの品質向上である。
本手法は呼吸運動の異なる心臓磁気共鳴画像の正確なセグメンテーション結果を連続的に生成する。
- 参考スコア（独自算出の注目度）: 7.840071061612787
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Developing a deep learning method for medical segmentation tasks heavily
relies on a large amount of labeled data. However, the annotations require
professional knowledge and are limited in number. Recently, semi-supervised
learning has demonstrated great potential in medical segmentation tasks. Most
existing methods related to cardiac magnetic resonance images only focus on
regular images with similar domains and high image quality. A semi-supervised
domain generalization method was developed in [2], which enhances the quality
of pseudo labels on varied datasets. In this paper, we follow the strategy in
[2] and present a domain generalization method for semi-supervised medical
segmentation. Our main goal is to improve the quality of pseudo labels under
extreme MRI Analysis with various domains. We perform Fourier transformation on
input images to learn low-level statistics and cross-domain information. Then
we feed the augmented images as input to the double cross pseudo supervision
networks to calculate the variance among pseudo labels. We evaluate our method
on the CMRxMotion dataset [1]. With only partially labeled data and without
domain labels, our approach consistently generates accurate segmentation
results of cardiac magnetic resonance images with different respiratory
motions. Code will be available after the conference.
- Abstract（参考訳）: 医療セグメンテーションタスクのための深層学習手法の開発は、大量のラベル付きデータに大きく依存している。
しかし、アノテーションには専門知識が必要であり、数に制限がある。
近年,半教師付き学習は医学的セグメンテーションタスクにおいて大きな可能性を秘めている。
心臓磁気共鳴画像に関する既存の方法のほとんどは、類似領域と高画質の正規画像にのみ焦点を合わせている。
種々のデータセット上で擬似ラベルの品質を高める半教師付き領域一般化法が [2] で開発された。
本稿では, [2]の戦略に従い, 半教師付き医学セグメント化のためのドメイン一般化法を提案する。
本研究の主な目的は,各種領域を用いた極端なMRI解析による擬似ラベルの品質向上である。
入力画像上でフーリエ変換を行い、低レベル統計とクロスドメイン情報を学ぶ。
次に、擬似ラベル間のばらつきを計算するために、二重交差疑似監視ネットワークに入力として拡張画像をフィードする。
CMRxMotion データセット [1] で本手法の評価を行った。
部分的ラベル付きデータとドメインラベルなしデータのみを用いて,呼吸運動の異なる心臓磁気共鳴画像の精度の高いセグメンテーション結果を生成する。
コードはカンファレンスの後に提供される。
関連論文リスト
- 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) - Enhancing Pseudo Label Quality for Semi-SupervisedDomain-Generalized
Medical Image Segmentation [42.3896755744262]
医用画像分割アルゴリズムのTounseen領域の一般化は、コンピュータ支援診断と手術にとって重要な研究課題である。
本稿では,半教師付き領域汎用医用画像分割のための信頼性に配慮したクロス・インスペクティブ・インスペクティブ・ゴリネットを提案する。
論文 参考訳（メタデータ） (2022-01-21T12:02:00Z) - Unsupervised Cross-Modality Domain Adaptation for Segmenting Vestibular
Schwannoma and Cochlea with Data Augmentation and Model Ensemble [4.942327155020771]
本稿では,前庭神経新生と子牛を識別する教師なし学習フレームワークを提案する。
本フレームワークは,T1強調MRI(ceT1-w)とそのラベルからの情報を活用し,対象領域にラベルが存在しないT2強調MRIのセグメンテーションを生成する。
提案手法は,VS と cochlea のそれぞれの平均値 0.7930 と 0.7432 で,有望なセグメンテーションの構築と生成が容易である。
論文 参考訳（メタデータ） (2021-09-24T20:10:05Z) - Cross-Modality Brain Tumor Segmentation via Bidirectional
Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。
具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。
提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
論文 参考訳（メタデータ） (2021-05-17T10:11:45Z) - Semantic Segmentation with Generative Models: Semi-Supervised Learning
and Strong Out-of-Domain Generalization [112.68171734288237]
本論文では,画像とラベルの再生モデルを用いた識別画素レベルのタスクのための新しいフレームワークを提案する。
我々は,共同画像ラベルの分布を捕捉し,未ラベル画像の大規模な集合を用いて効率的に訓練する生成的対向ネットワークを学習する。
ドメイン内性能をいくつかのベースラインと比較し,ドメイン外一般化を極端に示す最初の例である。
論文 参考訳（メタデータ） (2021-04-12T21:41:25Z) - Cross-Modal Contrastive Learning for Abnormality Classification and
Localization in Chest X-rays with Radiomics using a Feedback Loop [63.81818077092879]
医療画像のためのエンドツーエンドのセミスーパーバイスドクロスモーダルコントラスト学習フレームワークを提案する。
まず、胸部X線を分類し、画像特徴を生成するために画像エンコーダを適用する。
放射能の特徴は別の専用エンコーダを通過し、同じ胸部x線から生成された画像の特徴の正のサンプルとして機能する。
論文 参考訳（メタデータ） (2021-04-11T09:16:29Z) - Modeling the Probabilistic Distribution of Unlabeled Data forOne-shot
Medical Image Segmentation [40.41161371507547]
我々は1ショットの脳磁気共鳴画像(MRI)画像分割のためのデータ拡張法を開発した。
提案手法は,MRI画像1枚(atlas)とラベルなし画像数枚のみを利用する。
本手法は最先端のワンショット医療セグメンテーション法より優れている。
論文 参考訳（メタデータ） (2021-02-03T12:28:04Z) - Collaborative Unsupervised Domain Adaptation for Medical Image Diagnosis [102.40869566439514]
我々は、Unsupervised Domain Adaptation (UDA)を通じて、対象タスクにおける学習を支援するために、関連ドメインからの豊富なラベル付きデータを活用しようとしている。
クリーンなラベル付きデータやサンプルを仮定するほとんどのUDAメソッドが等しく転送可能であるのとは異なり、協調的教師なしドメイン適応アルゴリズムを革新的に提案する。
提案手法の一般化性能を理論的に解析し,医用画像と一般画像の両方で実験的に評価する。
論文 参考訳（メタデータ） (2020-07-05T11:49:17Z) - 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) - 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。