論文の概要: Frequency Disentangled Learning for Segmentation of Midbrain Structures
from Quantitative Susceptibility Mapping Data
- arxiv url: http://arxiv.org/abs/2302.12980v1
- Date: Sat, 25 Feb 2023 04:30:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-28 19:33:36.491143
- Title: Frequency Disentangled Learning for Segmentation of Midbrain Structures
from Quantitative Susceptibility Mapping Data
- Title（参考訳）: 定量的サセプティビリティマッピングデータを用いた中脳構造物分割のための周波数ディスタングル学習
- Authors: Guanghui Fu, Gabriel Jimenez, Sophie Loizillon, Lydia Chougar, Didier
Dormont, Romain Valabregue, Ninon Burgos, St\'ephane Leh\'ericy, Daniel
Racoceanu, Olivier Colliot, the ICEBERG Study Group
- Abstract要約: 深層モデルでは、ターゲット関数を低周波数から高周波数に適合させる傾向がある。
ディープセグメンテーションモデルのトレーニングに十分なサンプルがない場合が多い。
周波数領域の絡み合いに基づく新しいトレーニング手法を提案する。
- 参考スコア（独自算出の注目度）: 1.9150304734969674
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: One often lacks sufficient annotated samples for training deep segmentation
models. This is in particular the case for less common imaging modalities such
as Quantitative Susceptibility Mapping (QSM). It has been shown that deep
models tend to fit the target function from low to high frequencies. One may
hypothesize that such property can be leveraged for better training of deep
learning models. In this paper, we exploit this property to propose a new
training method based on frequency-domain disentanglement. It consists of two
main steps: i) disentangling the image into high- and low-frequency parts and
feature learning; ii) frequency-domain fusion to complete the task. The
approach can be used with any backbone segmentation network. We apply the
approach to the segmentation of the red and dentate nuclei from QSM data which
is particularly relevant for the study of parkinsonian syndromes. We
demonstrate that the proposed method provides considerable performance
improvements for these tasks. We further applied it to three public datasets
from the Medical Segmentation Decathlon (MSD) challenge. For two MSD tasks, it
provided smaller but still substantial improvements (up to 7 points of Dice),
especially under small training set situations.
- Abstract（参考訳）: ディープセグメンテーションモデルのトレーニングに十分な注釈付きサンプルが不足することが多い。
これは特に、QSM(Quantical Susceptibility Mapping)のような、一般的な画像モダリティの少ない場合である。
深層モデルは低周波から高周波までターゲット関数に適合する傾向があることが示されている。
そのような性質は、ディープラーニングモデルのより良いトレーニングに活用できるという仮説を立てることもできる。
本稿では,この特性を利用して周波数領域の絡み合いに基づく新しいトレーニング手法を提案する。
主なステップは2つある。
一 画像を高周波部分及び低周波部分へ拡張し、特徴学習すること。
二 タスクを完了するための周波数領域融合
このアプローチは、任意のバックボーンセグメンテーションネットワークで使用できる。
qsmデータから得られた赤核と象牙質核のセグメンテーションにこのアプローチを適用し,パーキンソン症候群の研究に特に関係している。
提案手法は,これらのタスクに対して大幅な性能向上をもたらすことを示す。
さらに,MSD(Messical Segmentation Decathlon)チャレンジの3つの公開データセットに適用した。
2つのMSDタスクでは、特に小さな訓練セットの状況下では、より小さいが、まだ大幅に改善された(Diceの7ポイントまで)。
関連論文リスト
- SpaRG: Sparsely Reconstructed Graphs for Generalizable fMRI Analysis [8.489318619991534]
深層学習は、精神疾患や個人の特徴に関連する静止状態機能型磁気共鳴イメージング(rsfMRI)のパターンを明らかにするのに役立つ。
しかし、深層学習の発見を解釈する問題は、fMRIによる分析よりも明らかではない。
スパーシフィケーションと自己超越に基づくこれらの課題を緩和するための簡単なアプローチを提案する。
論文 参考訳（メタデータ） (2024-09-24T18:35:57Z) - Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。
I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文 参考訳（メタデータ） (2023-08-31T05:05:53Z) - ScoreMix: A Scalable Augmentation Strategy for Training GANs with
Limited Data [93.06336507035486]
GAN(Generative Adversarial Networks)は通常、限られたトレーニングデータが利用できる場合、過度に適合する。
ScoreMixは、様々な画像合成タスクのための、新しくスケーラブルなデータ拡張手法である。
論文 参考訳（メタデータ） (2022-10-27T02:55:15Z) - Semantics-Depth-Symbiosis: Deeply Coupled Semi-Supervised Learning of
Semantics and Depth [83.94528876742096]
我々は,意味的セグメンテーションと深さ推定という2つの密なタスクのMTL問題に取り組み,クロスチャネル注意モジュール(CCAM)と呼ばれる新しいアテンションモジュールを提案する。
次に,AffineMixと呼ばれる予測深度を用いた意味分節タスクのための新しいデータ拡張と,ColorAugと呼ばれる予測セマンティクスを用いた単純な深度増分を定式化する。
最後に,提案手法の性能向上をCityscapesデータセットで検証し,深度と意味に基づく半教師付きジョイントモデルにおける最先端結果の実現を支援する。
論文 参考訳（メタデータ） (2022-06-21T17:40:55Z) - Longitudinal detection of new MS lesions using Deep Learning [0.0]
新たなMS病変の検出・分節作業に対処するディープラーニングベースのパイプラインについて述べる。
まず,1つの時間点を用いたセグメンテーションタスクで訓練されたモデルからの移動学習を提案する。
第2に、新しい病変を伴う現実的な縦断時間を生成するためのデータ合成戦略を提案する。
論文 参考訳（メタデータ） (2022-06-16T16:09:04Z) - Recurrent Mask Refinement for Few-Shot Medical Image Segmentation [15.775057485500348]
本稿では,プロトタイプネットワークに基づく数ショットの医用画像セグメンテーションのための新しいフレームワークを提案する。
1) 前景と背景領域間の局所的関係の特徴を関連付けるために相関を利用するコンテキスト関係エンコーダ(CRE)である。
2つの腹部CTデータセットと腹部MRIデータセットを用いた実験により、提案手法は最先端の方法よりも大幅に改善されていることが示された。
論文 参考訳（メタデータ） (2021-08-02T04:06:12Z) - Generalizing Face Forgery Detection with High-frequency Features [63.33397573649408]
現在のCNNベースの検出器は、メソッド固有の色テクスチャに過度に適合するため、一般化に失敗する傾向にある。
フェースフォージェリ検出に高周波雑音を用いることを提案する。
1つは、複数のスケールで高周波ノイズを抽出するマルチスケールの高周波特徴抽出モジュールである。
2つ目は、低レベルRGB特徴抽出器を導く残差誘導空間注意モジュールで、新しい視点からフォージェリートレースにもっと集中する。
論文 参考訳（メタデータ） (2021-03-23T08:19:21Z) - Learning Multi-Modal Volumetric Prostate Registration with Weak
Inter-Subject Spatial Correspondence [2.6894568533991543]
MRシークエンスにおける前立腺の位置に関する事前情報のための補助入力をニューラルネットワークに導入する。
MR-TRUS前立腺データのラベルが弱いことから,最先端のディープラーニング手法に匹敵する登録品質を示した。
論文 参考訳（メタデータ） (2021-02-09T16:48:59Z) - Prior Guided Feature Enrichment Network for Few-Shot Segmentation [64.91560451900125]
最先端のセマンティックセグメンテーション手法は、良い結果を得るために十分なラベル付きデータを必要とする。
少数のラベル付きサポートサンプルを持つ新しいクラスに迅速に適応するモデルを学習することで,この問題に対処するためのショットセグメンテーションが提案されている。
これらのフレームワークは、高レベルのセマンティック情報の不適切な使用により、目に見えないクラスにおける一般化能力の低下という課題に直面している。
論文 参考訳（メタデータ） (2020-08-04T10:41:32Z) - Weakly Supervised Deep Nuclei Segmentation Using Partial Points
Annotation in Histopathology Images [51.893494939675314]
本稿では,部分点アノテーションに基づく弱教師付きセグメンテーションフレームワークを提案する。
本手法は, 完全教師付き手法や最先端手法と比較して, 競争性能を向上できることを示す。
論文 参考訳（メタデータ） (2020-07-10T15:41:29Z)
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。