論文の概要: 3D Masked Autoencoding and Pseudo-labeling for Domain Adaptive Segmentation of Heterogeneous Infant Brain MRI

• arxiv url: http://arxiv.org/abs/2303.09373v1
• Date: Thu, 16 Mar 2023 15:01:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-17 15:03:03.820373
• Title: 3D Masked Autoencoding and Pseudo-labeling for Domain Adaptive Segmentation of Heterogeneous Infant Brain MRI
• Title（参考訳）: 不均一脳MRIの領域適応分割のための3次元仮面自動符号化と擬似ラベル法
• Authors: Xuzhe Zhang, Yuhao Wu, Jia Guo, Jerod M. Rasmussen, Thomas G. O'Connor, Hyagriv N. Simhan, Sonja Entringer, Pathik D. Wadhwa, Claudia Buss, Cristiane S. Duarte, Andrea Jackowski, Hai Li, Jonathan Posner, Andrew F. Laine, Yun Wang
• Abstract要約: 本稿では,MAPSeg(Masked Autoencoding and Pseudo-labelling)と呼ばれる新しいフレームワークを紹介し,クロスエイジ,クロスモーダリティ,クロスサイトセグメンテーションの課題に対処する。 異なる年齢やサイトから取得したエキスパートアノテートデータセットについて,本フレームワークの評価を行った。
• 参考スコア（独自算出の注目度）: 16.326603437366803
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robust segmentation of infant brain MRI across multiple ages, modalities, and sites remains challenging due to the intrinsic heterogeneity caused by different MRI scanners, vendors, or acquisition sequences, as well as varying stages of neurodevelopment. To address this challenge, previous studies have explored domain adaptation (DA) algorithms from various perspectives, including feature alignment, entropy minimization, contrast synthesis (style transfer), and pseudo-labeling. This paper introduces a novel framework called MAPSeg (Masked Autoencoding and Pseudo-labelling Segmentation) to address the challenges of cross-age, cross-modality, and cross-site segmentation of subcortical regions in infant brain MRI. Utilizing 3D masked autoencoding as well as masked pseudo-labeling, the model is able to jointly learn from labeled source domain data and unlabeled target domain data. We evaluated our framework on expert-annotated datasets acquired from different ages and sites. MAPSeg consistently outperformed other methods, including previous state-of-the-art supervised baselines, domain generalization, and domain adaptation frameworks in segmenting subcortical regions regardless of age, modality, or acquisition site. The code and pretrained encoder will be publicly available at https://github.com/XuzheZ/MAPSeg
• Abstract（参考訳）: 複数の年齢、形態、部位にまたがる乳幼児脳MRIのロバストセグメンテーションは、異なるMRIスキャナー、ベンダー、または取得シーケンスによって引き起こされる固有の不均一性や、様々な神経発達の段階によって、依然として困難である。 この課題に対処するために、これまでの研究では、機能アライメント、エントロピー最小化、コントラスト合成(スタイル転送)、擬似ラベルなど、様々な観点からドメイン適応(da)アルゴリズムを探求してきた。 本稿では, 乳児脳MRIにおける大脳皮質下領域の横断的, 横断的, 横断的セグメンテーションの課題に対処するため, MAPSeg (Masked Autoencoding and Pseudo-labelling Segmentation) と呼ばれる新しいフレームワークを提案する。 3Dマスクによるオートエンコーディングとマスク付き擬似ラベルを用いたモデルでは、ラベル付きソースドメインデータとラベルなしターゲットドメインデータから共同で学習することができる。 異なる年齢やサイトから取得したエキスパートアノテートデータセットのフレームワークを評価した。 MAPSegは、以前の最先端の教師付きベースライン、ドメインの一般化、年齢、モダリティ、取得サイトに関わらず、下位皮質領域を分割するドメイン適応フレームワークなど、他の手法よりも一貫して優れていた。 コードと事前訓練されたエンコーダはhttps://github.com/XuzheZ/MAPSegで公開される。

関連論文リスト

• Manifold-Aware Local Feature Modeling for Semi-Supervised Medical Image Segmentation [20.69908466577971]
  マニフォールド対応局所特徴モデリングネットワーク (MANet) を導入し, 多様体監視信号を組み込むことでU-Netアーキテクチャを向上する。 ACDC、LA、Pancreas-NIHといったデータセットに関する我々の実験は、MANetがパフォーマンス指標における最先端の手法を一貫して超越していることを示しています。
  論文  参考訳（メタデータ） (2024-10-14T08:40:35Z)
• D-MASTER: Mask Annealed Transformer for Unsupervised Domain Adaptation in Breast Cancer Detection from Mammograms [5.00208619516796]
  乳がん検診におけるUnsupervised Domain Adaptation (uda) の問題点に着目した。 近年の進歩により、マスク付き画像モデリングがUDAの頑健な前提課題となっていることが示されている。 クロスドメインBCDMに適用すると、これらのテクニックは、質量、非対称性、微小石灰化などの乳房異常に悩まされる。 これは多くの場合、画像当たりの偽陽性(FPI)が増加し、通常そのようなテクニックをブートストラップするために使用される擬似ラベルの顕著なノイズが生じる。
  論文  参考訳（メタデータ） (2024-07-09T06:35:17Z)
• MA-SAM: Modality-agnostic SAM Adaptation for 3D Medical Image Segmentation [58.53672866662472]
  我々はMA-SAMと命名されたモダリティに依存しないSAM適応フレームワークを提案する。 本手法は,重量増加のごく一部だけを更新するためのパラメータ効率の高い微調整戦略に根ざしている。 画像エンコーダのトランスバータブロックに一連の3Dアダプタを注入することにより,事前学習した2Dバックボーンが入力データから3次元情報を抽出することができる。
  論文  参考訳（メタデータ） (2023-09-16T02:41:53Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• BMAD: Benchmarks for Medical Anomaly Detection [51.22159321912891]
  異常検出(AD)は、機械学習とコンピュータビジョンの基本的な研究課題である。 医用画像では、ADはまれな疾患や病態を示す可能性のある異常の検出と診断に特に重要である。 医用画像の異常検出方法を評価するための総合評価ベンチマークを導入する。
  論文  参考訳（メタデータ） (2023-06-20T20:23:46Z)
• Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
  本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。 我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。 多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-15T17:55:05Z)
• SDC-UDA: Volumetric Unsupervised Domain Adaptation Framework for Slice-Direction Continuous Cross-Modality Medical Image Segmentation [8.33996223844639]
  SDC-UDAは,スライス指向連続型医療画像セグメンテーションのためのフレームワークである。 これは、スライス内およびスライス間自己強調画像翻訳、不確実性に制約された擬似ラベルの精細化、容積的自己訓練を組み合わせたものである。 我々は,SDC-UDAを複数の一般公開医療画像セグメンテーションデータセットで検証し,最先端セグメンテーション性能を実現する。
  論文  参考訳（メタデータ） (2023-05-18T14:44:27Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• Semi-Supervised Domain Generalization for Cardiac Magnetic Resonance Image Segmentation with High Quality Pseudo Labels [8.283424744148258]
  半教師型医療セグメント化のための領域一般化手法を提案する。 本研究の主な目的は,各種領域を用いた極端なMRI解析による擬似ラベルの品質向上である。 本手法は呼吸運動の異なる心臓磁気共鳴画像の正確なセグメンテーション結果を連続的に生成する。
  論文  参考訳（メタデータ） (2022-09-30T12:57:41Z)
• Collaborative Unsupervised Domain Adaptation for Medical Image Diagnosis [102.40869566439514]
  我々は、Unsupervised Domain Adaptation (UDA)を通じて、対象タスクにおける学習を支援するために、関連ドメインからの豊富なラベル付きデータを活用しようとしている。 クリーンなラベル付きデータやサンプルを仮定するほとんどのUDAメソッドが等しく転送可能であるのとは異なり、協調的教師なしドメイン適応アルゴリズムを革新的に提案する。 提案手法の一般化性能を理論的に解析し,医用画像と一般画像の両方で実験的に評価する。
  論文  参考訳（メタデータ） (2020-07-05T11:49:17Z)
• Uncertainty-aware multi-view co-training for semi-supervised medical image segmentation and domain adaptation [35.33425093398756]
  ラベルのないデータは、注釈付きデータよりもはるかに簡単に取得できる。 医用画像セグメンテーションのための不確実性を考慮したマルチビュー協調トレーニングを提案する。 我々のフレームワークは、ラベルのないデータを効率的に活用してパフォーマンスを向上させることができる。
  論文  参考訳（メタデータ） (2020-06-28T22:04:54Z)

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。