論文の概要: Deep Learning-based Multi-Organ CT Segmentation with Adversarial Data
Augmentation
- arxiv url: http://arxiv.org/abs/2302.13172v1
- Date: Sat, 25 Feb 2023 21:42:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-28 18:30:39.936506
- Title: Deep Learning-based Multi-Organ CT Segmentation with Adversarial Data
Augmentation
- Title（参考訳）: 逆データ拡張を用いた深層学習に基づくマルチオーガンCTセグメンテーション
- Authors: Shaoyan Pan, Shao-Yuan Lo, Min Huang, Chaoqiong Ma, Jacob Wynne,
Tonghe Wang, Tian Liu, Xiaofeng Yang
- Abstract要約: Adversarial Feature Attack for Medical Image (AFA-MI) の強化により、セグメントネットワークはアウト・オブ・ディストリビューション統計を学習せざるを得なくなった。
実験は心臓、左右の腎臓、肝臓、左右の肺、脊髄、胃を分断する。
- 参考スコア（独自算出の注目度）: 3.8371505627869955
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work, we propose an adversarial attack-based data augmentation method
to improve the deep-learning-based segmentation algorithm for the delineation
of Organs-At-Risk (OAR) in abdominal Computed Tomography (CT) to facilitate
radiation therapy. We introduce Adversarial Feature Attack for Medical Image
(AFA-MI) augmentation, which forces the segmentation network to learn
out-of-distribution statistics and improve generalization and robustness to
noises. AFA-MI augmentation consists of three steps: 1) generate adversarial
noises by Fast Gradient Sign Method (FGSM) on the intermediate features of the
segmentation network's encoder; 2) inject the generated adversarial noises into
the network, intentionally compromising performance; 3) optimize the network
with both clean and adversarial features. Experiments are conducted segmenting
the heart, left and right kidney, liver, left and right lung, spinal cord, and
stomach. We first evaluate the AFA-MI augmentation using nnUnet and TT-Vnet on
the test data from a public abdominal dataset and an institutional dataset. In
addition, we validate how AFA-MI affects the networks' robustness to the noisy
data by evaluating the networks with added Gaussian noises of varying
magnitudes to the institutional dataset. Network performance is quantitatively
evaluated using Dice Similarity Coefficient (DSC) for volume-based accuracy.
Also, Hausdorff Distance (HD) is applied for surface-based accuracy. On the
public dataset, nnUnet with AFA-MI achieves DSC = 0.85 and HD = 6.16
millimeters (mm); and TT-Vnet achieves DSC = 0.86 and HD = 5.62 mm. AFA-MI
augmentation further improves all contour accuracies up to 0.217 DSC score when
tested on images with Gaussian noises. AFA-MI augmentation is therefore
demonstrated to improve segmentation performance and robustness in CT
multi-organ segmentation.
- Abstract（参考訳）: そこで本研究では,腹部ctにおける臓器・リスク(oar)の描出のための深層学習に基づくセグメンテーションアルゴリズムを改良し,放射線治療を容易にするための逆攻撃に基づくデータ拡張法を提案する。
本稿では,セグメンテーションネットワークに分散統計を学習させ,雑音に対する一般化とロバスト性を改善するための,医療画像(afa-mi)拡張のための広告機能攻撃を提案する。
afa-mi拡張は以下の3つのステップからなる。
1) セグメンテーションネットワークのエンコーダの中間特性に基づいてFGSM(Fast Gradient Sign Method)により対向雑音を生成する。
2) 生成された敵対的ノイズをネットワークに注入し、故意に性能を損なうこと。
3) クリーン機能と敵機能の両方でネットワークを最適化する。
心臓、左右の腎臓、肝臓、左右の肺、脊髄、胃を分割する実験を行った。
まず,nnunet と tt-vnet を用いた afa-mi 増強効果を腹腔用データセットと施設用データセットのテストデータから評価した。
さらに,AFA-MIがネットワークのノイズデータに対する堅牢性にどう影響するかを,ガウス雑音を付加して評価することで検証する。
Dice similarity Coefficient (DSC) を用いて、ボリュームベースの精度でネットワーク性能を定量的に評価する。
また,Hausdorff Distance (HD) を表面精度に応用した。
AFA-MI を用いた nnUnet は DSC = 0.85 と HD = 6.16 ミリ (mm) を達成し、TT-Vnet は DSC = 0.86 と HD = 5.62 mm を達成している。
AFA-MIは、ガウスノイズのある画像上でテストした場合、すべての輪郭精度を0.217 DSCスコアまで改善する。
AFA-MI増強はCT多臓器分割におけるセグメンテーション性能とロバスト性を向上させることが示されている。
関連論文リスト
- MDFI-Net: Multiscale Differential Feature Interaction Network for Accurate Retinal Vessel Segmentation [3.152646316470194]
本稿では,MDFI-Net という DPCN に基づく機能拡張型インタラクションネットワークを提案する。
提案したMDFI-Netは,公開データセットの最先端手法よりもセグメンテーション性能が優れている。
論文 参考訳（メタデータ） (2024-10-20T16:42:22Z) - Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI [58.809276442508256]
本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマー層を組み合わせたハイブリッドネットワークを提案する。
プライベートおよびパブリックなDCE-MRIデータセットの実験結果から,提案したハイブリッドネットワークは最先端の手法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2024-08-11T15:46:00Z) - Assessing Neural Network Representations During Training Using
Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。
データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。
本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
論文 参考訳（メタデータ） (2023-12-04T01:32:42Z) - WATUNet: A Deep Neural Network for Segmentation of Volumetric Sweep
Imaging Ultrasound [1.2903292694072621]
ボリューム・スイープ・イメージング(VSI)は、訓練を受けていないオペレーターが高品質な超音波画像をキャプチャできる革新的な手法である。
本稿ではWavelet_Attention_UNet(WATUNet)と呼ばれる新しいセグメンテーションモデルを提案する。
このモデルでは、簡単な接続ではなく、ウェーブレットゲート(WG)とアテンションゲート(AG)をエンコーダとデコーダの間に組み込んで、上記の制限を克服する。
論文 参考訳（メタデータ） (2023-11-17T20:32:37Z) - Semantic segmentation of surgical hyperspectral images under geometric
domain shifts [69.91792194237212]
本稿では、幾何学的アウト・オブ・ディストリビューション(OOD)データの存在下で、最先端のセマンティックセグメンテーションネットワークを初めて分析する。
有機移植(Organ transplantation)と呼ばれる専用の拡張技術により、一般化可能性にも対処する。
提案手法は,SOA DSCの最大67 % (RGB) と90% (HSI) を改善し,実際のOODテストデータ上での分配内性能と同等の性能を示す。
論文 参考訳（メタデータ） (2023-03-20T09:50:07Z) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳（メタデータ） (2022-12-01T07:32:56Z) - Attention Augmented ConvNeXt UNet For Rectal Tumour Segmentation [5.203079341228683]
深層学習を通して直腸癌腫瘍の位置と大きさを分類することは困難である。
本稿では,注意を拡大したConvNeXt UNet(AACN-UNet)を提案する。
UNetとその変種ネットワークによる実験によると、AACN-UNetはP、F1、Miouの最高値よりも0.9%、1.1%、そして1.4%高い。
論文 参考訳（メタデータ） (2022-10-01T09:08:43Z) - CNN-based fully automatic wrist cartilage volume quantification in MR
Image [55.41644538483948]
追加の注意層を持つU-net畳み込みニューラルネットワークは、最高の手首軟骨分割性能を提供する。
非MRI法を用いて軟骨体積測定の誤差を独立に評価すべきである。
論文 参考訳（メタデータ） (2022-06-22T14:19:06Z) - Shape-consistent Generative Adversarial Networks for multi-modal Medical
segmentation maps [10.781866671930857]
極めて限られたデータセットに対して合成心容積を用いたセグメンテーションネットワークを提案する。
提案手法は,モダリティ間で情報を共有するための3次元クロスモダリティ生成対向ネットワークに基づいている。
空間拡張を用いた場合,小さなデータセット上でのセグメンテーションの改善が可能であることを示す。
論文 参考訳（メタデータ） (2022-01-24T13:57:31Z) - Adversarial Feature Augmentation and Normalization for Visual
Recognition [109.6834687220478]
最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。
本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。
代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
論文 参考訳（メタデータ） (2021-03-22T20:36:34Z) - SE-ECGNet: A Multi-scale Deep Residual Network with
Squeeze-and-Excitation Module for ECG Signal Classification [6.124438924401066]
ECG信号分類タスクのためのマルチスケール深部残差ネットワークを開発しています。
我々は,マルチリード信号を2次元行列として扱うことを提案する。
提案モデルは,mit-bihデータセットでは99.2%,alibabaデータセットでは89.4%のf1-scoreを実現する。
論文 参考訳（メタデータ） (2020-12-10T08:37:44Z)
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。