論文の概要: Rethinking Data Augmentation for Single-source Domain Generalization in Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2211.14805v1
• Date: Sun, 27 Nov 2022 12:05:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-29 18:33:04.474082
• Title: Rethinking Data Augmentation for Single-source Domain Generalization in Medical Image Segmentation
• Title（参考訳）: 医用画像分割における単一ソース領域一般化のためのデータ拡張の再考
• Authors: Zixian Su and Kai Yao and Xi Yang and Qiufeng Wang and Jie Sun and Kaizhu Huang
• Abstract要約: 医用画像セグメンテーションにおける単一ソース領域の一般化のためのデータ拡張戦略を再考する。 医用画像のクラスレベルの表現不変性やスタイル変更性に動機付けられ,C$ランダム変数の線形結合から未知のターゲットデータをサンプリングできるという仮説を立てた。 制約付きB$acuterm e$zier変換をグローバルおよびローカル(クラスレベル)の両方の領域で実装する。 重要な貢献として,提案手法が未確認対象領域上のリスク一般化の上限に達することが理論的に証明された。
• 参考スコア（独自算出の注目度）: 19.823497430391413
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Single-source domain generalization (SDG) in medical image segmentation is a challenging yet essential task as domain shifts are quite common among clinical image datasets. Previous attempts most conduct global-only/random augmentation. Their augmented samples are usually insufficient in diversity and informativeness, thus failing to cover the possible target domain distribution. In this paper, we rethink the data augmentation strategy for SDG in medical image segmentation. Motivated by the class-level representation invariance and style mutability of medical images, we hypothesize that unseen target data can be sampled from a linear combination of $C$ (the class number) random variables, where each variable follows a location-scale distribution at the class level. Accordingly, data augmented can be readily made by sampling the random variables through a general form. On the empirical front, we implement such strategy with constrained B$\acute{\rm e}$zier transformation on both global and local (i.e. class-level) regions, which can largely increase the augmentation diversity. A Saliency-balancing Fusion mechanism is further proposed to enrich the informativeness by engaging the gradient information, guiding augmentation with proper orientation and magnitude. As an important contribution, we prove theoretically that our proposed augmentation can lead to an upper bound of the generalization risk on the unseen target domain, thus confirming our hypothesis. Combining the two strategies, our Saliency-balancing Location-scale Augmentation (SLAug) exceeds the state-of-the-art works by a large margin in two challenging SDG tasks. Code is available at https://github.com/Kaiseem/SLAug .
• Abstract（参考訳）: 医療画像セグメンテーションにおける単一ソース領域一般化(SDG)は、臨床画像データセット間でドメインシフトが非常に一般的であるため、難しいが必須課題である。 以前の試みは、ほとんどがグローバルオンリー/ランダムな拡張を行います。 彼らの拡張されたサンプルは、通常、多様性と情報性に乏しいため、ターゲットとなる領域の分布をカバーできない。 本稿では,医療画像セグメンテーションにおけるSDGのデータ拡張戦略を再考する。 医用画像のクラスレベルの表現不変性とスタイル変更性により,各変数がクラスレベルの位置スケール分布に従うような$C$(クラス番号)ランダム変数の線形結合から,未知のターゲットデータをサンプリングできるという仮説を立てた。 これにより、一般的な形式でランダム変数をサンプリングすることで、データ拡張を容易に行うことができる。 実証的な面では、制約付きB$\acute{\rm e}$zier変換をグローバルおよびローカル(クラスレベル)領域の両方で実装し、拡張の多様性を大幅に向上させることができる。 さらに, 勾配情報に係わることにより, 適切な方向と大きさで増補を導くことで, 情報度を高めるために, 塩分バランス融合機構が提案されている。 重要な貢献として、提案された拡張が未確認の対象領域における一般化リスクの上限に結びつくことを理論的に証明し、仮説を裏付ける。 この2つの戦略を組み合わせることで、Saliency-balancing Location-scale Augmentation(SLAug)は2つの挑戦的なSDGタスクにおいて最先端の作業を大きく上回っている。 コードはhttps://github.com/Kaiseem/SLAug で公開されている。

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)
• Additional Look into GAN-based Augmentation for Deep Learning COVID-19 Image Classification [57.1795052451257]
  我々は,GANに基づく拡張性能のデータセットサイズ依存性について,小サンプルに着目して検討した。 両方のセットでStyleGAN2-ADAをトレーニングし、生成した画像の品質を検証した後、マルチクラス分類問題における拡張アプローチの1つとしてトレーニングされたGANを使用する。 GANベースの拡張アプローチは、中規模および大規模データセットでは古典的な拡張に匹敵するが、より小さなデータセットでは不十分である。
  論文  参考訳（メタデータ） (2024-01-26T08:28:13Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Augmentation-based Domain Generalization for Semantic Segmentation [2.179313476241343]
  教師なしドメイン適応(UDA)とドメイン一般化(DG)は、目に見えないドメインに対するディープニューラルネットワーク(DNN)の一般化の欠如に対処することを目的としている。 本稿では,ボケ,ノイズ,色ジッタなど,シンプルなルールベースの画像拡張によるドメイン内および外部の一般化機能について検討する。 我々の実験は、複数の異なる拡張の組み合わせが単一拡張よりも優れているという一般的な科学的基準を確認した。
  論文  参考訳（メタデータ） (2023-04-24T14:26:53Z)
• Domain Generalization with Adversarial Intensity Attack for Medical Image Segmentation [27.49427483473792]
  実世界のシナリオでは、トレーニング中に露出していない新しいドメインや異なるドメインのデータに遭遇することが一般的である。 ドメイン一般化(Domain Generalization, DG)は、モデルがこれまで見つからなかったドメインからのデータを扱うことを可能にする、有望な方向である。 本稿では,敵対的トレーニングを活用して無限のスタイルでトレーニングデータを生成する,AdverIN(Adversarial Intensity Attack)と呼ばれる新しいDG手法を提案する。
  論文  参考訳（メタデータ） (2023-04-05T19:40:51Z)
• FIXED: Frustratingly Easy Domain Generalization with Mixup [53.782029033068675]
  ドメイン一般化(Domain Generalization, DG)は、複数のトレーニングドメインから一般化可能なモデルを学ぶことを目的としている。 一般的な戦略は、Mixupcitezhang 2018mixupのようなメソッドによる一般化のためにトレーニングデータを拡張することである。 我々は、MixupベースのDG、すなわちドメイン不変の特徴mIXup(FIX)の簡易かつ効果的な拡張を提案する。 提案手法は,9つの最先端手法よりも優れており,試験精度の面では,ベースラインの平均6.5%を上回っている。
  論文  参考訳（メタデータ） (2022-11-07T09:38:34Z)
• AADG: Automatic Augmentation for Domain Generalization on Retinal Image Segmentation [1.0452185327816181]
  AADG(Automated Augmentation for Domain Generalization)と呼ばれるデータ操作に基づくドメイン一般化手法を提案する。 我々のAADGフレームワークは、新しいドメインを生成するデータ拡張ポリシーを効果的にサンプリングすることができる。 提案するAADGは,最先端の一般化性能を示し,既存手法より優れている。
  論文  参考訳（メタデータ） (2022-07-27T02:26:01Z)
• 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)
• Semi-Supervised Domain Adaptation with Prototypical Alignment and Consistency Learning [86.6929930921905]
  本稿では,いくつかの対象サンプルがラベル付けされていれば,ドメインシフトに対処するのにどの程度役立つか検討する。 ランドマークの可能性を最大限に追求するために、ランドマークから各クラスのターゲットプロトタイプを計算するプロトタイプアライメント(PA)モジュールを組み込んでいます。 具体的には,ラベル付き画像に深刻な摂動を生じさせ,PAを非自明にし,モデル一般化性を促進する。
  論文  参考訳（メタデータ） (2021-04-19T08:46:08Z)
• Alleviating Semantic-level Shift: A Semi-supervised Domain Adaptation Method for Semantic Segmentation [97.8552697905657]
  このタスクの重要な課題は、ソースとターゲットドメイン間のデータ分散の相違を緩和する方法である。 本稿では,グローバルな視点とローカルな視点の両方から分布の整合性を促進できるASS(Alleviating Semantic-level Shift)を提案する。 GTA5、Cityscapes、Synthia、Cityscapesの2つのドメイン適応タスクにASSを適用します。
  論文  参考訳（メタデータ） (2020-04-02T03:25:05Z)

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。