論文の概要: Unsupervised Cross-Modality Domain Adaptation for Vestibular Schwannoma Segmentation and Koos Grade Prediction based on Semi-Supervised Contrastive Learning

• arxiv url: http://arxiv.org/abs/2210.04255v1
• Date: Sun, 9 Oct 2022 13:12:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-11 17:38:02.126704
• Title: Unsupervised Cross-Modality Domain Adaptation for Vestibular Schwannoma Segmentation and Koos Grade Prediction based on Semi-Supervised Contrastive Learning
• Title（参考訳）: 半教師付きコントラスト学習に基づく前庭神経障害の非教師付きクロスモダリティ領域適応とKoosグレード予測
• Authors: Luyi Han, Yunzhi Huang, Tao Tan, Ritse Mann
• Abstract要約: クロスモダリティ前庭神経新生(VS)とコチェリーセグメンテーションとKoosグレード予測のための教師なしドメイン適応フレームワーク。 nnU-NetモデルはVSとcochleaセグメンテーションに利用され、半教師付きコントラクティブ学習事前訓練アプローチがモデル性能を改善するために使用される。 平均Diceスコアが0.8394のタスク1では4位,平均平均値が0.3941のタスク2では2位であった。
• 参考スコア（独自算出の注目度）: 1.5953825926551457
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Domain adaptation has been widely adopted to transfer styles across multi-vendors and multi-centers, as well as to complement the missing modalities. In this challenge, we proposed an unsupervised domain adaptation framework for cross-modality vestibular schwannoma (VS) and cochlea segmentation and Koos grade prediction. We learn the shared representation from both ceT1 and hrT2 images and recover another modality from the latent representation, and we also utilize proxy tasks of VS segmentation and brain parcellation to restrict the consistency of image structures in domain adaptation. After generating missing modalities, the nnU-Net model is utilized for VS and cochlea segmentation, while a semi-supervised contrastive learning pre-train approach is employed to improve the model performance for Koos grade prediction. On CrossMoDA validation phase Leaderboard, our method received rank 4 in task1 with a mean Dice score of 0.8394 and rank 2 in task2 with Macro-Average Mean Square Error of 0.3941. Our code is available at https://github.com/fiy2W/cmda2022.superpolymerization.
• Abstract（参考訳）: ドメイン適応は、欠落したモダリティを補完するだけでなく、マルチベンダやマルチセンタ間でスタイルを転送するために広く採用されている。 そこで本研究では,クロスモダリティ前庭シュワルノーマ (vs) と人工内耳セグメンテーション (cochlea segmentation) とkoosグレード予測のための教師なしドメイン適応フレームワークを提案する。 我々は、ceT1とhrT2の両方の画像から共有表現を学び、潜在表現から別のモダリティを回復し、また、VSセグメンテーションと脳パーセレーションのプロキシタスクを利用して、ドメイン適応における画像構造の一貫性を制限する。 欠落したモダリティを生成した後、VSとコチェリーセグメンテーションにnnU-Netモデルを使用し、Koosグレード予測のためのモデル性能を改善するために、半教師付きコントラッシブラーニングプレトレインアプローチを採用する。 クロスモダ検証フェーズリーダボードでは,タスク1の平均サイススコア0.8394,タスク2ではランク2,マクロ平均2乗誤差0.3941でランク4を得た。 私たちのコードはhttps://github.com/fiy2w/cmda2022.superpolymerizationで利用可能です。

関連論文リスト

• Fine-Grained Unsupervised Cross-Modality Domain Adaptation for Vestibular Schwannoma Segmentation [3.0081059328558624]
  ドメイン適応のためのきめ細かい教師なしのフレームワークの導入に注力する。 本稿では,ベクトルを用いて生成元を制御し,与えられた特徴を持つ偽画像を合成する手法を提案する。 そして、特徴辞書を検索することで、データセットに様々な拡張を適用することができる。
  論文  参考訳（メタデータ） (2023-11-25T18:08:59Z)
• MS-MT: Multi-Scale Mean Teacher with Contrastive Unpaired Translation for Cross-Modality Vestibular Schwannoma and Cochlea Segmentation [11.100048696665496]
  教師なしドメイン適応(UDA)メソッドは、有望なクロスモダリティセグメンテーション性能を達成した。 本稿では,2つの重要な脳構造の自動分割のための,マルチスケールの自己組織化に基づくUDAフレームワークを提案する。 提案手法は,平均Diceスコアが83.8%,81.4%の有望なセグメンテーション性能を示す。
  論文  参考訳（メタデータ） (2023-03-28T08:55:00Z)
• Exploring Consistency in Cross-Domain Transformer for Domain Adaptive Semantic Segmentation [51.10389829070684]
  ドメインギャップは、自己注意の相違を引き起こす可能性がある。 このギャップのため、変圧器は、ターゲット領域の精度を低下させる刺激領域または画素に付随する。 ドメイン横断の注意層を持つアテンションマップに適応する。
  論文  参考訳（メタデータ） (2022-11-27T02:40:33Z)
• 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)
• Enhancing Data Diversity for Self-training Based Unsupervised Cross-modality Vestibular Schwannoma and Cochlea Segmentation [7.327638441664658]
  教師なし領域適応設定におけるVSとcochleaセグメンテーションのアプローチを提案する。 まず、合成データの多様性を高めるために、クロスサイト・クロスモーダルな画像翻訳戦略を開発する。 そこで,ルールベースのオフライン拡張手法を考案し,ドメインギャップを最小化する。 最後に,自己学習による自己構成セグメンテーションフレームワークを採用し,最終的な結果を得た。
  論文  参考訳（メタデータ） (2022-09-23T22:26:51Z)
• Interpolation-based Correlation Reduction Network for Semi-Supervised Graph Learning [49.94816548023729]
  補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。 この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Unsupervised Domain Adaptation in Semantic Segmentation Based on Pixel Alignment and Self-Training [13.63879014979211]
  ピクセルアライメントは、ceT1スキャンをhrT2モダリティに転送することで、トレーニングセグメンテーションモデルのドメインシフトを減少させる。 自己学習は、セグメントネットワークの決定境界をhrT2スキャンの分布に適合させる。
  論文  参考訳（メタデータ） (2021-09-29T06:56:57Z)
• Margin Preserving Self-paced Contrastive Learning Towards Domain Adaptation for Medical Image Segmentation [51.93711960601973]
  クロスモーダル医療画像セグメンテーションのための自己ペースコントラスト学習モデルを保存する新しいマージンを提案する。 プログレッシブに洗練されたセマンティックプロトタイプの指導により、埋め込み表現空間の識別性を高めるために、コントラスト損失を減少させる新しいマージンが提案される。 クロスモーダル心セグメンテーションタスクの実験は、MPSCLが意味セグメンテーション性能を大幅に改善することを示した。
  論文  参考訳（メタデータ） (2021-03-15T15:23:10Z)
• Contradictory Structure Learning for Semi-supervised Domain Adaptation [67.89665267469053]
  現在の逆順応法は、クロスドメインの特徴を整列させようとする。 1)条件分布ミスマッチ、2)決定境界のソース領域へのバイアス。 本稿では,対向構造の学習を統一することで,半教師付きドメイン適応のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-06T22:58:20Z)

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。