論文の概要: MSCDA: Multi-level Semantic-guided Contrast Improves Unsupervised Domain
Adaptation for Breast MRI Segmentation in Small Datasets
- arxiv url: http://arxiv.org/abs/2301.02554v1
- Date: Wed, 4 Jan 2023 19:16:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-10 00:18:02.787102
- Title: MSCDA: Multi-level Semantic-guided Contrast Improves Unsupervised Domain
Adaptation for Breast MRI Segmentation in Small Datasets
- Title（参考訳）: MSCDA: マルチレベルセマンティック誘導コントラストによる小データセットにおける乳房MRI領域適応の改善
- Authors: Sheng Kuang, Henry C. Woodruff, Renee Granzier, Thiemo J.A. van
Nijnatten, Marc B.I. Lobbes, Marjolein L. Smidt, Philippe Lambin, Siamak
Mehrkanoon
- Abstract要約: 本稿では,ドメイン間の特徴表現を整合させるマルチレベルセマンティック・ガイド型コントラスト・ドメイン適応フレームワークを提案する。
特に,画像のセマンティック情報を統合するために,ピクセル・ツー・ピクセル,ピクセル・ツー・セントロイド,セントロイド・ツー・セントロイドのコントラストによるコントラスト損失を拡大する。
提案手法は,T2W-to-T1WおよびT1W-to-T2Wにおいて,89.2%,84.0%のDice類似係数(DSC)をそれぞれ達成した。
- 参考スコア（独自算出の注目度）: 5.272836235045653
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Deep learning (DL) applied to breast tissue segmentation in magnetic
resonance imaging (MRI) has received increased attention in the last decade,
however, the domain shift which arises from different vendors, acquisition
protocols, and biological heterogeneity, remains an important but challenging
obstacle on the path towards clinical implementation. Recently, unsupervised
domain adaptation (UDA) methods have attempted to mitigate this problem by
incorporating self-training with contrastive learning. To better exploit the
underlying semantic information of the image at different levels, we propose a
Multi-level Semantic-guided Contrastive Domain Adaptation (MSCDA) framework to
align the feature representation between domains. In particular, we extend the
contrastive loss by incorporating pixel-to-pixel, pixel-to-centroid, and
centroid-to-centroid contrasts to integrate semantic information of images. We
utilize a category-wise cross-domain sampling strategy to sample anchors from
target images and build a hybrid memory bank to store samples from source
images. Two breast MRI datasets were retrospectively collected: The source
dataset contains non-contrast MRI examinations from 11 healthy volunteers and
the target dataset contains contrast-enhanced MRI examinations of 134 invasive
breast cancer patients. We set up experiments from source T2W image to target
dynamic contrast-enhanced (DCE)-T1W image (T2W-to-T1W) and from source T1W
image to target T2W image (T1W-to-T2W). The proposed method achieved Dice
similarity coefficient (DSC) of 89.2\% and 84.0\% in T2W-to-T1W and T1W-to-T2W,
respectively, outperforming state-of-the-art methods. Notably, good performance
is still achieved with a smaller source dataset, proving that our framework is
label-efficient.
- Abstract（参考訳）: 磁気共鳴画像(MRI)における乳房組織セグメンテーションに応用される深層学習(DL)は、ここ10年で注目されているが、異なるベンダー、取得プロトコル、生物学的不均一性から生じるドメインシフトは、臨床実装への道のりにおいて重要な障害であり続けている。
近年,教師なしドメイン適応(UDA)手法は,自己学習と対照的な学習を取り入れることで,この問題を緩和しようとしている。
画像の基本的意味情報を異なるレベルでよりよく活用するために、ドメイン間の特徴表現を整合させるマルチレベルセマンティック誘導コントラストドメイン適応(MSCDA)フレームワークを提案する。
特に、画素間、画素間、中心間および中心間コントラストを組み込んで、画像の意味情報を統合することで、コントラスト損失を拡大する。
我々はカテゴリワイドのクロスドメインサンプリング戦略を用いて、対象画像からアンカーをサンプリングし、ソース画像からサンプルを格納するハイブリッドメモリバンクを構築する。
ソースデータセットには健常者11名による非造影MRI検査が含まれ、ターゲットデータセットには134名の浸潤乳癌患者の造影MRI検査が含まれている。
我々は、ソースT2W画像から動的コントラスト強調(DCE)-T1W画像(T2W-to-T1W)、ソースT1W画像からターゲットT2W画像(T1W-to-T2W)に実験をセットアップした。
提案手法は,T2W-to-T1WおよびT1W-to-T2Wにおいて,89.2\%,84.0\%のDice類似係数(DSC)をそれぞれ達成した。
特に、より小さなソースデータセットで優れたパフォーマンスが達成され、私たちのフレームワークがラベル効率であることを証明します。
関連論文リスト
- Unsupervised Modality Adaptation with Text-to-Image Diffusion Models for Semantic Segmentation [54.96563068182733]
セグメンテーションタスクのためのテキスト・ツー・イメージ拡散モデル(MADM)を用いたモダリティ適応を提案する。
MADMは、広範囲な画像とテキストのペアで事前訓練されたテキストと画像の拡散モデルを使用して、モデルの相互モダリティ能力を向上する。
我々は,MADMが画像から深度,赤外線,イベントのモダリティといった様々なモダリティタスクにまたがって,最先端の適応性能を実現することを示す。
論文 参考訳（メタデータ） (2024-10-29T03:49:40Z) - Improving Anomaly Segmentation with Multi-Granularity Cross-Domain
Alignment [17.086123737443714]
異常セグメンテーションは、画像中の非定型物体を識別する上で重要な役割を担っている。
既存の手法は合成データに顕著な結果を示すが、合成データドメインと実世界のデータドメインの相違を考慮できないことが多い。
シーンと個々のサンプルレベルの両方で、ドメイン間の機能を調和させるのに適した、マルチグラニュラリティ・クロスドメインアライメントフレームワークを導入します。
論文 参考訳（メタデータ） (2023-08-16T22:54:49Z) - 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) - 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) - 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) - Adapt Everywhere: Unsupervised Adaptation of Point-Clouds and Entropy
Minimisation for Multi-modal Cardiac Image Segmentation [10.417009344120917]
マルチモーダル心臓画像分割のための新しいUDA法を提案する。
提案手法は、逆学習に基づいて、異なる空間におけるソースとターゲットドメイン間のネットワーク特徴を適応する。
本手法はannotated source domainからunannotated target domainへの適応により2つの心データセットで検証した。
論文 参考訳（メタデータ） (2021-03-15T08:59:44Z) - Self-Attentive Spatial Adaptive Normalization for Cross-Modality Domain
Adaptation [9.659642285903418]
放射線科医の費用負担を軽減するための医用画像のクロスモダリティ合成
本稿では,教師なしまたは教師なし(非ペア画像データ)の設定が可能な医用画像における画像から画像への変換手法を提案する。
論文 参考訳（メタデータ） (2021-03-05T16:22:31Z) - Unsupervised Instance Segmentation in Microscopy Images via Panoptic
Domain Adaptation and Task Re-weighting [86.33696045574692]
病理組織像における教師なし核分割のためのCycle Consistency Panoptic Domain Adaptive Mask R-CNN(CyC-PDAM)アーキテクチャを提案する。
まず,合成画像中の補助的な生成物を除去するための核塗布機構を提案する。
第二に、ドメイン識別器を持つセマンティックブランチは、パンプトレベルのドメイン適応を実現するように設計されている。
論文 参考訳（メタデータ） (2020-05-05T11:08:26Z) - 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) - Domain Adaptive Medical Image Segmentation via Adversarial Learning of
Disease-Specific Spatial Patterns [6.298270929323396]
複数の領域にまたがる画像セグメンテーション性能を向上させる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,不適切なセグメンテーションパターンを拒絶し,意味情報や境界情報を通じて暗黙的に学習することで,新しいデータに適応するようにアーキテクチャを強制する。
対象領域からのラベルなし画像上でのディープネットワークの再構成により,セグメント化精度が大幅に向上することが実証された。
論文 参考訳（メタデータ） (2020-01-25T13:48:02Z)
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。