論文の概要: BayeSeg: Bayesian Modeling for Medical Image Segmentation with Interpretable Generalizability

• arxiv url: http://arxiv.org/abs/2303.01710v1
• Date: Fri, 3 Mar 2023 04:48:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-06 16:11:04.276284
• Title: BayeSeg: Bayesian Modeling for Medical Image Segmentation with Interpretable Generalizability
• Title（参考訳）: BayeSeg: 解釈可能な一般化性を持つ医用画像分割のためのベイジアンモデリング
• Authors: Shangqi Gao and Hangqi Zhou and Yibo Gao and Xiahai Zhuang
• Abstract要約: 医用画像分割のためのモデル一般化性を高めるための解釈可能なベイズフレームワーク(BayeSeg)を提案する。 具体的には、まず、画像を空間的関連変数と空間的変動変数に分解し、階層的ベイズ事前を割り当て、それぞれドメインの安定な形状とドメイン固有の外観情報をモデル化するよう明示的に強制する。 最後に、これらの説明可能な変数の後方分布を推測する変分ベイズ的枠組みを開発する。
• 参考スコア（独自算出の注目度）: 15.410162313242958
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Due to the cross-domain distribution shift aroused from diverse medical imaging systems, many deep learning segmentation methods fail to perform well on unseen data, which limits their real-world applicability. Recent works have shown the benefits of extracting domain-invariant representations on domain generalization. However, the interpretability of domain-invariant features remains a great challenge. To address this problem, we propose an interpretable Bayesian framework (BayeSeg) through Bayesian modeling of image and label statistics to enhance model generalizability for medical image segmentation. Specifically, we first decompose an image into a spatial-correlated variable and a spatial-variant variable, assigning hierarchical Bayesian priors to explicitly force them to model the domain-stable shape and domain-specific appearance information respectively. Then, we model the segmentation as a locally smooth variable only related to the shape. Finally, we develop a variational Bayesian framework to infer the posterior distributions of these explainable variables. The framework is implemented with neural networks, and thus is referred to as deep Bayesian segmentation. Quantitative and qualitative experimental results on prostate segmentation and cardiac segmentation tasks have shown the effectiveness of our proposed method. Moreover, we investigated the interpretability of BayeSeg by explaining the posteriors and analyzed certain factors that affect the generalization ability through further ablation studies. Our code will be released via https://zmiclab.github.io/projects.html, once the manuscript is accepted for publication.
• Abstract（参考訳）: 多様な医用画像システムから引き起こされたクロスドメイン分布シフトのため、多くのディープラーニングセグメンテーション手法は、実際の適用性を制限する未発見のデータではうまく機能しない。 近年の研究では、ドメイン一般化におけるドメイン不変表現を抽出する利点が示されている。 しかし、ドメイン不変な特徴の解釈性は依然として大きな課題である。 この問題に対処するために,ベイジアンによる画像とラベル統計のモデリングによる解釈可能なベイジアンフレームワーク(ベイジセグ)を提案し,医用画像セグメンテーションのモデル一般化性を向上させる。 具体的には、まず、画像を空間相関変数と空間可変変数に分解し、階層ベイズ前駆者を割り当てて、それぞれドメイン安定形状とドメイン固有外観情報をモデル化させる。 次に,セグメント化を形状のみに関連する局所的滑らかな変数としてモデル化する。 最後に、これらの説明可能な変数の後方分布を推測する変分ベイズ的枠組みを開発する。 このフレームワークはニューラルネットワークで実装されており、ディープベイズセグメンテーション(deep bayesian segmentation)と呼ばれる。 前立腺セグメンテーションと心臓セグメンテーションタスクの定量的および定性的な実験結果から,本手法の有効性が示された。 さらに,後肢の解釈について検討し,さらなるアブレーション研究を通じて一般化能力に影響する要因を分析した。 私たちのコードはhttps://zmiclab.github.io/projects.htmlでリリースされます。

関連論文リスト

• FlowSDF: Flow Matching for Medical Image Segmentation Using Distance Transforms [60.195642571004804]
  署名された距離関数(SDF)を表す画像誘導型条件付きフローマッチングフレームワークであるFlowSDFを提案する。 SDFの条件分布の確率パスに直接関係するベクトル場を学習することにより、セグメント化マスクの分布から正確にサンプリングすることができる。
  論文  参考訳（メタデータ） (2024-05-28T11:47:12Z)
• RaffeSDG: Random Frequency Filtering enabled Single-source Domain Generalization for Medical Image Segmentation [41.50001361938865]
  ディープラーニングモデルは、ソースとターゲットデータの間にドメインシフトがある場合、正確な推論を行う際の課題に直面することが多い。 単一ソース領域一般化アルゴリズム(RaffeSDG)を提案する。 RaffeSDGは、単一ソースドメインでトレーニングされたセグメンテーションモデルで、堅牢なドメイン外推論を約束する。
  論文  参考訳（メタデータ） (2024-05-02T12:13:00Z)
• DARC: Distribution-Aware Re-Coloring Model for Generalizable Nucleus Segmentation [68.43628183890007]
  ドメインギャップは、異なるフォアグラウンド(核)-バックグラウンド比によっても引き起こされる可能性があると我々は主張する。 まず、異なる領域間の劇的な画像色変化を緩和する再カラー化手法を提案する。 次に,前景-背景比の変動に頑健な新しいインスタンス正規化手法を提案する。
  論文  参考訳（メタデータ） (2023-09-01T01:01:13Z)
• VesselMorph: Domain-Generalized Retinal Vessel Segmentation via Shape-Aware Representation [12.194439938007672]
  ドメインシフトは医療画像の本質的な特性であり、学習ベースのアルゴリズムを大規模に展開する上で大きな障害となっている。 形状認識表現を合成することにより2次元網膜血管セグメンテーションタスクを一般化するVesselMorphという手法を提案する。 VesselMorphは、異なるドメインシフトシナリオの競合するメソッドと比較して、優れた一般化性能を実現する。
  論文  参考訳（メタデータ） (2023-07-01T06:02:22Z)
• Single-domain Generalization in Medical Image Segmentation via Test-time Adaptation from Shape Dictionary [64.5632303184502]
  ドメインの一般化は通常、モデル学習のために複数のソースドメインからのデータを必要とする。 本稿では,1つのソースドメインのみで最悪のシナリオ下でモデルを学習し,異なる未確認対象ドメインに直接一般化する,重要な単一ドメインの一般化問題について考察する。 本稿では,領域間で不変なセグメンテーションのセグメンテーション先情報を抽出し,統合する医用画像セグメンテーションにおいて,この問題に対処する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-06-29T08:46:27Z)
• Unsupervised Domain Adaptation Using Feature Disentanglement And GCNs For Medical Image Classification [5.6512908295414]
  本稿では,グラフニューラルネットワークを用いた教師なし領域適応手法を提案する。 分布シフトを伴う2つの挑戦的医用画像データセットの分類法について検討した。 実験により,本手法は他の領域適応法と比較して最先端の結果が得られることが示された。
  論文  参考訳（メタデータ） (2022-06-27T09:02:16Z)
• Joint Modeling of Image and Label Statistics for Enhancing Model Generalizability of Medical Image Segmentation [14.106339318764372]
  本稿では,画像統計とラベル統計を共同でモデル化する深層学習に基づくベイジアンフレームワークを提案する。 我々は,これらの変数の輪郭,基底,ラベルを含む後続分布を推定する変分ベイズ的枠組みを開発した。 クロスシーケンス心電図のセグメント化作業の結果から,本手法はモデル一般化のための新しい手法の確立を図った。
  論文  参考訳（メタデータ） (2022-06-09T08:31:14Z)
• Causality-inspired Single-source Domain Generalization for Medical Image Segmentation [12.697945585457441]
  合成ドメインシフトトレーニング例にセグメンテーションモデルを公開するための簡単なデータ拡張手法を提案する。 具体的には,1)画像強度とテクスチャの相違に頑健な深層モデルを実現するために,ランダムに重み付けされた浅層ネットワーク群を用いる。 我々は、ネットワークが予測を行うためのドメイン固有の手がかりとして捉えうる画像内のオブジェクト間の急激な相関を取り除き、未知のドメインに分解する可能性がある。
  論文  参考訳（メタデータ） (2021-11-24T14:45:17Z)
• A Bit More Bayesian: Domain-Invariant Learning with Uncertainty [111.22588110362705]
  ドメインの一般化は、ドメインシフトと、ターゲットドメインデータのアクセス不能に起因する不確実性のために困難である。 本稿では,変分ベイズ推定に基づく確率的枠組みを用いて,両課題に対処する。 2層ベイズ型ニューラルネットワークで共同で確立されたドメイン不変表現と分類器を導出する。
  論文  参考訳（メタデータ） (2021-05-09T21:33:27Z)
• 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)
• Phase Consistent Ecological Domain Adaptation [76.75730500201536]
  意味的セグメンテーション(意味的セグメンテーション)の課題に焦点をあてる。そこでは、注釈付き合成データが多用されるが、実際のデータへのアノテートは困難である。 視覚心理学に触発された最初の基準は、2つの画像領域間の地図が位相保存であることである。 第2の基準は、照明剤や撮像センサーの特性に関わらず、その画像に現れる環境統計、またはシーン内の規則を活用することを目的としている。
  論文  参考訳（メタデータ） (2020-04-10T06:58:03Z)

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。