論文の概要: CDDSA: Contrastive Domain Disentanglement and Style Augmentation for Generalizable Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2211.12081v1
• Date: Tue, 22 Nov 2022 08:25:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-23 18:00:45.096735
• Title: CDDSA: Contrastive Domain Disentanglement and Style Augmentation for Generalizable Medical Image Segmentation
• Title（参考訳）: cddsa: 医用画像セグメンテーションのためのコントラスト領域の異方性とスタイル拡張
• Authors: Ran Gu, Guotai Wang, Jiangshan Lu, Jingyang Zhang, Wenhui Lei, Yinan Chen, Wenjun Liao, Shichuan Zhang, Kang Li, Dimitris N. Metaxas, Shaoting Zhang
• Abstract要約: 医用画像分割のためのCDDSA(Contrastive Domain Disentanglement and Style Augmentation)フレームワークを提案する。 まず、画像をドメイン不変な解剖学的表現とドメイン固有なスタイルコードに分解する。 第二に、より良い絡み合いを実現するために、同じドメインと異なるドメインのスタイルコードをコンパクトで分散させるために、対照的な損失が提案されている。
• 参考スコア（独自算出の注目度）: 38.44458104455557
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generalization to previously unseen images with potential domain shifts and different styles is essential for clinically applicable medical image segmentation, and the ability to disentangle domain-specific and domain-invariant features is key for achieving Domain Generalization (DG). However, existing DG methods can hardly achieve effective disentanglement to get high generalizability. To deal with this problem, we propose an efficient Contrastive Domain Disentanglement and Style Augmentation (CDDSA) framework for generalizable medical image segmentation. First, a disentangle network is proposed to decompose an image into a domain-invariant anatomical representation and a domain-specific style code, where the former is sent to a segmentation model that is not affected by the domain shift, and the disentangle network is regularized by a decoder that combines the anatomical and style codes to reconstruct the input image. Second, to achieve better disentanglement, a contrastive loss is proposed to encourage the style codes from the same domain and different domains to be compact and divergent, respectively. Thirdly, to further improve generalizability, we propose a style augmentation method based on the disentanglement representation to synthesize images in various unseen styles with shared anatomical structures. Our method was validated on a public multi-site fundus image dataset for optic cup and disc segmentation and an in-house multi-site Nasopharyngeal Carcinoma Magnetic Resonance Image (NPC-MRI) dataset for nasopharynx Gross Tumor Volume (GTVnx) segmentation. Experimental results showed that the proposed CDDSA achieved remarkable generalizability across different domains, and it outperformed several state-of-the-art methods in domain-generalizable segmentation.
• Abstract（参考訳）: 臨床応用医療画像セグメンテーションには, ドメインシフトや異なるスタイルの未確認画像への一般化が不可欠であり, ドメイン・ジェネリゼーション(DG)を実現する上では, ドメイン固有の特徴とドメイン不変特徴を分離する能力が重要である。 しかし、既存のDG法は、高い一般化性を得るために効果的な解離を達成できない。 この問題に対処するため,医用画像分割のためのCDDSA(Contrastive Domain Disentanglement and Style Augmentation)フレームワークを提案する。 まず、ドメイン不変解剖学的表現とドメイン固有スタイルコードに画像が分解され、前者はドメインシフトに影響されないセグメント化モデルに送られ、異方性ネットワークは、解剖学的コードとスタイルコードを組み合わせたデコーダによって正規化され、入力画像が再構成される。 第二に, 整合性を向上するために, 異なる領域と同一領域のスタイル符号をそれぞれコンパクトかつ分散させるために, 対照的な損失が提案されている。 第3に、一般化性をさらに向上するため、解剖学的構造を共有した様々な見えないスタイルの画像を合成するために、アンタングル表現に基づくスタイル拡張手法を提案する。 本手法は,眼球部および椎間板領域の多部位画像データセットと鼻咽喉頭癌MRI(NPC-MRI)データセットを用いて,鼻咽頭Gross tumor Volume (GTVnx) の分類を行った。 実験の結果,提案したCDDSAは異なる領域にまたがって顕著な一般化が可能であり,領域一般化可能なセグメンテーションにおいていくつかの最先端手法よりも優れていた。

関連論文リスト

• Generalizable Single-Source Cross-modality Medical Image Segmentation via Invariant Causal Mechanisms [16.699205051836657]
  単一ソースドメインの一般化は、見当たらないターゲットドメインをうまく一般化できる単一のソースドメインからモデルを学ぶことを目的としている。 これはコンピュータビジョンにおいて重要なタスクであり、特にドメインシフトが一般的である医療画像に関係している。 我々は,領域不変表現の学習に関する因果性に着想を得た理論的洞察と拡散に基づく拡張の最近の進歩を組み合わせることにより,多様な画像モダリティの一般化を向上する。
  論文  参考訳（メタデータ） (2024-11-07T22:35:17Z)
• Medical Image Segmentation via Single-Source Domain Generalization with Random Amplitude Spectrum Synthesis [13.794335166617063]
  医用画像のセグメンテーションの分野は、臨床データセットのドメインシフトにより、ドメイン一般化(DG)によって挑戦される。 従来の単一ソースドメインの一般化手法は、ドメインの矛盾を最小限に抑えるためにデータ拡張手法を積み重ねることに頼っている。 医用画像のトレーニングとしてランダム振幅スペクトル合成(RASS)を提案する。
  論文  参考訳（メタデータ） (2024-09-07T08:58:04Z)
• SMC-UDA: Structure-Modal Constraint for Unsupervised Cross-Domain Renal Segmentation [100.86339246424541]
  本稿では、識別パラダイムに基づく新しい構造モード制約(SMC) UDA フレームワークを提案し、ドメイン間のブリッジとしてエッジ構造を導入する。 構造に制約のある自己学習とプログレッシブROIでは,エッジの3次元空間構造を見極めることで腎臓を分節する。 実験の結果,提案するSMC-UDAの一般化は良好であり,生成的UDA法よりも優れていた。
  論文  参考訳（メタデータ） (2023-06-14T02:57:23Z)
• 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)
• Generalizable Medical Image Segmentation via Random Amplitude Mixup and Domain-Specific Image Restoration [17.507951655445652]
  本稿では,新しい医用画像分割法を提案する。 具体的には、セグメント化モデルと自己超越ドメイン固有の画像復元モジュールを組み合わせることで、マルチタスクパラダイムとしてアプローチを設計する。 医用画像における2つの一般化可能なセグメンテーションベンチマークにおいて,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-08-08T03:56:20Z)
• Contrastive Domain Disentanglement for Generalizable Medical Image Segmentation [12.863227646939563]
  本稿では,一般的な医用画像分割のためのコントラストディスタングル・ドメイン(CDD)ネットワークを提案する。 まず、医用画像を解剖学的表現因子とモダリティ表現因子に分解する不整合ネットワークを導入する。 次に、モデル一般化学習のための新しい領域をランダムに生成できる領域拡張戦略を提案する。
  論文  参考訳（メタデータ） (2022-05-13T10:32:41Z)
• Domain Composition and Attention for Unseen-Domain Generalizable Medical Image Segmentation [12.412110592754729]
  本稿では、ドメイン表現と一般化の能力を向上させるために、ドメイン構成と注意に基づくネットワーク(DCA-Net)を提案する。 まず、基底表現の集合の線形結合により1つの特定の領域を表す領域合成法を提案する。 第二に、これらの基底表現を学習するために、新しいプラグアンドプレイ並列領域を提案する。 第三に、基底表現の線形結合係数を学習するために、領域注目モジュールを提案する。
  論文  参考訳（メタデータ） (2021-09-18T06:42:47Z)
• 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)
• Shape-aware Meta-learning for Generalizing Prostate MRI Segmentation to Unseen Domains [68.73614619875814]
  前立腺MRIのセグメント化におけるモデル一般化を改善するために,新しい形状認識メタラーニング手法を提案する。 実験結果から,本手法は未確認領域の6つの設定すべてにおいて,最先端の一般化手法を一貫して上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2020-07-04T07:56:02Z)
• 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。