論文の概要: ProSFDA: Prompt Learning based Source-free Domain Adaptation for Medical
Image Segmentation
- arxiv url: http://arxiv.org/abs/2211.11514v1
- Date: Mon, 21 Nov 2022 14:57:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-22 21:16:25.511504
- Title: ProSFDA: Prompt Learning based Source-free Domain Adaptation for Medical
Image Segmentation
- Title(参考訳): ProSFDA: プロンプト学習に基づく医用画像分割のためのソースフリードメイン適応
- Authors: Shishuai Hu, Zehui Liao, Yong Xia
- Abstract要約: 医用画像分割のためのtextbfProSFDA (textbfProSFDA) 法を提案する。
以上の結果から,提案したProSFDA法は,他のSFDA法よりも優れており,UDA法と同等であることが明らかとなった。
- 参考スコア(独自算出の注目度): 21.079667938055668
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The domain discrepancy existed between medical images acquired in different
situations renders a major hurdle in deploying pre-trained medical image
segmentation models for clinical use. Since it is less possible to distribute
training data with the pre-trained model due to the huge data size and privacy
concern, source-free unsupervised domain adaptation (SFDA) has recently been
increasingly studied based on either pseudo labels or prior knowledge. However,
the image features and probability maps used by pseudo label-based SFDA and the
consistent prior assumption and the prior prediction network used by
prior-guided SFDA may become less reliable when the domain discrepancy is
large. In this paper, we propose a \textbf{Pro}mpt learning based \textbf{SFDA}
(\textbf{ProSFDA}) method for medical image segmentation, which aims to improve
the quality of domain adaption by minimizing explicitly the domain discrepancy.
Specifically, in the prompt learning stage, we estimate source-domain images
via adding a domain-aware prompt to target-domain images, then optimize the
prompt via minimizing the statistic alignment loss, and thereby prompt the
source model to generate reliable predictions on (altered) target-domain
images. In the feature alignment stage, we also align the features of
target-domain images and their styles-augmented counterparts to optimize the
source model, and hence push the model to extract compact features. We evaluate
our ProSFDA on two multi-domain medical image segmentation benchmarks. Our
results indicate that the proposed ProSFDA outperforms substantially other SFDA
methods and is even comparable to UDA methods. Code will be available at
\url{https://github.com/ShishuaiHu/ProSFDA}.
- Abstract(参考訳): 異なる状況下で取得された医用画像間のドメインの相違は、臨床用途のためにトレーニング済みの医用画像分割モデルをデプロイする上で大きなハードルとなる。
膨大なデータサイズとプライバシの懸念から、トレーニングデータを事前学習したモデルで配布することは不可能であるため、ソースフリーの非教師なしドメイン適応(sfda)は、最近、擬似ラベルまたは事前知識に基づいて研究されている。
しかし, 疑似ラベルに基づくSFDAが使用する画像の特徴や確率マップ, 一貫性のある事前仮定, 事前誘導型SFDAが使用する事前予測ネットワークは, ドメイン不一致が大きいと信頼性が低下する可能性がある。
本稿では,医用画像のセグメンテーションのための‘textbf{Pro}mpt Learning based \textbf{SFDA}(\textbf{ProSFDA})法を提案する。
具体的には,ターゲットドメイン画像にドメイン認識プロンプトを追加してソースドメイン画像を推定し,統計アライメント損失を最小化してプロンプトを最適化し,(変化した)ターゲットドメイン画像上で信頼できる予測を生成するように,ソースモデルに促す。
また,特徴アライメントの段階では,ターゲットドメイン画像とそのスタイルを付加した特徴を調整してソースモデルを最適化し,コンパクトな特徴を抽出するためにモデルをプッシュする。
ProSFDAを2つのマルチドメイン医療画像セグメンテーションベンチマークで評価した。
以上の結果から,提案したProSFDAは,他のSFDA法よりも優れており,UDA法と同等であることが明らかとなった。
コードは \url{https://github.com/ShishuaiHu/ProSFDA} で入手できる。
関連論文リスト
- Unveiling the Superior Paradigm: A Comparative Study of Source-Free Domain Adaptation and Unsupervised Domain Adaptation [52.36436121884317]
Source-Free Domain Adaptation (SFDA) は、現実のシナリオにおいて、Unsupervised Domain Adaptation (UDA) よりも一般的に優れていることを示す。
SFDAは、時間効率、ストレージ要件、対象とする学習目標、負の移動リスクの低減、過度な適合に対する堅牢性の向上といった利点を提供している。
利用可能なソースデータをマルチSFDA手法に効果的に統合する新しい重み推定法を提案する。
論文 参考訳(メタデータ) (2024-11-24T13:49:29Z) - UPL-SFDA: Uncertainty-aware Pseudo Label Guided Source-Free Domain
Adaptation for Medical Image Segmentation [21.583847757015157]
医用画像セグメンテーションのための新しいuncertainty-aware Pseudo Label guided (UPL)法を提案する。
具体的には,ターゲット領域における予測の多様性を高めるために,ターゲット領域成長(TDG)を提案する。
また,ある前方パスで得られた疑似ラベルを用いて,次の前方パスで予測を監督するTwice Forward Pass Supervision(TFS)戦略を提案する。
論文 参考訳(メタデータ) (2023-09-19T01:52:37Z) - Source-Free Domain Adaptation for Medical Image Segmentation via
Prototype-Anchored Feature Alignment and Contrastive Learning [57.43322536718131]
医用画像セグメンテーションのための2段階のソースフリードメイン適応(SFDA)フレームワークを提案する。
プロトタイプアンコールされた特徴アライメントの段階では,まず,事前学習した画素ワイド分類器の重みを原プロトタイプとして利用する。
そこで,本研究では,目標となる特徴とクラスプロトタイプとの整合性を期待するコストを最小化し,双方向輸送を導入する。
論文 参考訳(メタデータ) (2023-07-19T06:07:12Z) - Spatio-Temporal Pixel-Level Contrastive Learning-based Source-Free
Domain Adaptation for Video Semantic Segmentation [117.39092621796753]
Source Domain Adaptation(SFDA)セットアップは、ソースデータにアクセスすることなく、ターゲットドメインにソーストレーニングされたモデルを適用することを目的としている。
情報源データの欠如に対処するために,時間情報の相関を最大限に活用する新しい手法を提案する。
実験によると、PixelLは現在のUDAやFDAのアプローチと比較して、ベンチマークの非最先端のパフォーマンスを実現している。
論文 参考訳(メタデータ) (2023-03-25T05:06:23Z) - Source-Free Domain Adaptation via Distribution Estimation [106.48277721860036]
ドメイン適応は、ラベル付きソースドメインから学んだ知識を、データ分散が異なるラベル付きターゲットドメインに転送することを目的としています。
近年,ソースフリードメイン適応 (Source-Free Domain Adaptation, SFDA) が注目されている。
本研究では,SFDA-DEと呼ばれる新しいフレームワークを提案し,ソース分布推定によるSFDAタスクに対処する。
論文 参考訳(メタデータ) (2022-04-24T12:22:19Z) - Target and Task specific Source-Free Domain Adaptive Image Segmentation [73.78898054277538]
ソースフリー領域適応画像分割のための2段階のアプローチを提案する。
我々は,高エントロピー領域を抑えつつ,ターゲット固有の擬似ラベルを生成することに注力する。
第2段階では、タスク固有の表現にネットワークを適用することに重点を置いている。
論文 参考訳(メタデータ) (2022-03-29T17:50:22Z) - Source-Free Domain Adaptation for Image Segmentation [17.23158602100665]
画像セグメンテーションのためのソースフリーなドメイン適応を導入する。
我々の定式化は、ターゲットドメインデータ上に定義されたラベルフリーエントロピー損失を最小化することに基づいている。
様々なドメイン適応シナリオにおいて,事前認識したエントロピー最小化の有効性を示す。
論文 参考訳(メタデータ) (2021-08-06T14:56:31Z) - DSP: Dual Soft-Paste for Unsupervised Domain Adaptive Semantic
Segmentation [97.74059510314554]
セグメンテーションのための教師なしドメイン適応(UDA)は、ラベル付きソースドメインで訓練されたセグメンテーションモデルをラベル付きターゲットドメインに適応させることを目的としている。
既存の手法では、大きなドメインギャップに悩まされながら、ドメイン不変の特徴を学習しようとする。
本稿では,新しいDual Soft-Paste (DSP)法を提案する。
論文 参考訳(メタデータ) (2021-07-20T16:22:40Z) - Privacy Preserving Domain Adaptation for Semantic Segmentation of
Medical Images [13.693640425403636]
非教師付きドメイン適応(UDA)は、未ラベルのターゲットドメインデータのみを用いて新しいモダリティにモデルを適用するために提案される。
UDAのアルゴリズムは、ソースドメインデータがアクセスできないプライバシーに制約された設定で開発します。
本稿では,最新の医用画像セマンティックセグメンテーション手法と比較し,アルゴリズムの有効性を示す。
論文 参考訳(メタデータ) (2021-01-02T22:12:42Z) - Source-Relaxed Domain Adaptation for Image Segmentation [22.28746775804126]
ドメイン適応(DA)は、ラベル付けされたソースデータに基づいてトレーニングされたモデルを適用し、ラベル付けされていないまたは弱いラベル付けされたターゲットデータでうまく機能する能力に対して、高い関心を集めている。
最も一般的なDA技術は、ソースとターゲットドメインの両方の入力画像への同時アクセスを必要とする。
このような制約を緩和するセグメンテーションネットワークを適応するための新しい定式化を提案する。
論文 参考訳(メタデータ) (2020-05-07T18:46:01Z)
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。