論文の概要: MAPSeg: Unified Unsupervised Domain Adaptation for Heterogeneous Medical
Image Segmentation Based on 3D Masked Autoencoding and Pseudo-Labeling
- arxiv url: http://arxiv.org/abs/2303.09373v2
- Date: Tue, 28 Nov 2023 00:07:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-30 16:40:19.988441
- Title: MAPSeg: Unified Unsupervised Domain Adaptation for Heterogeneous Medical
Image Segmentation Based on 3D Masked Autoencoding and Pseudo-Labeling
- Title（参考訳）: MAPSeg:3次元マスケード自動符号化と擬似ラベルによる不均一な医用画像分割のための統一的ドメイン適応
- Authors: Xuzhe Zhang, Yuhao Wu, Elsa Angelini, Ang Li, Jia Guo, Jerod M.
Rasmussen, Thomas G. O'Connor, Pathik D. Wadhwa, Andrea Parolin Jackowski,
Hai Li, Jonathan Posner, Andrew F. Laine, Yun Wang
- Abstract要約: Masked Autoencoding and Pseudo-Labeling (MAPSeg) は医療画像セグメンテーションのための$textbfunified$ UDAフレームワークである。
MAPSegは、同等のパフォーマンスを維持しながら、$textbfcentralized$, $textbffederated$, $textbftest-time$ UDAに適用できる最初のフレームワークである。
我々は、MAPSegを、プライベート・幼児脳MRIデータセットとパブリック・心臓CT-MRIデータセットの最先端手法と比較し、MAPSegの成績の比較を行った。
- 参考スコア（独自算出の注目度）: 21.176288484225694
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Robust segmentation is critical for deriving quantitative measures from
large-scale, multi-center, and longitudinal medical scans. Manually annotating
medical scans, however, is expensive and labor-intensive and may not always be
available in every domain. Unsupervised domain adaptation (UDA) is a
well-studied technique that alleviates this label-scarcity problem by
leveraging available labels from another domain. In this study, we introduce
Masked Autoencoding and Pseudo-Labeling Segmentation (MAPSeg), a
$\textbf{unified}$ UDA framework with great versatility and superior
performance for heterogeneous and volumetric medical image segmentation. To the
best of our knowledge, this is the first study that systematically reviews and
develops a framework to tackle four different domain shifts in medical image
segmentation. More importantly, MAPSeg is the first framework that can be
applied to $\textbf{centralized}$, $\textbf{federated}$, and
$\textbf{test-time}$ UDA while maintaining comparable performance. We compare
MAPSeg with previous state-of-the-art methods on a private infant brain MRI
dataset and a public cardiac CT-MRI dataset, and MAPSeg outperforms others by a
large margin (10.5 Dice improvement on the private MRI dataset and 5.7 on the
public CT-MRI dataset). MAPSeg poses great practical value and can be applied
to real-world problems. Our code and pretrained model will be available later.
- Abstract（参考訳）: ロバストセグメンテーションは、大規模、多施設、縦断的な医療スキャンから定量的測定を導出するために重要である。
しかし、手動でアノテートする医療スキャンは高価で労働集約的であり、すべてのドメインで利用できるとは限らない。
非教師付きドメイン適応(Unsupervised domain adapt, UDA)は、他のドメインから利用可能なラベルを活用することで、このラベルとスカシティの問題を軽減する、よく研究されている手法である。
本研究では,多種多様な医用画像のセグメンテーションにおいて,多目的性と優れた性能を有する$\textbf{unified}$ UDAフレームワークであるMasked Autoencoding and Pseudo-Labeling Segmentation (MAPSeg)を紹介する。
我々の知る限りでは、医療画像セグメンテーションにおける4つの異なるドメインシフトに取り組むための枠組みを体系的にレビューし、開発する最初の研究である。
さらに重要なのは、MAPSegは、同等のパフォーマンスを維持しながら、$\textbf{centralized}$, $\textbf{federated}$, $\textbf{test-time}$ UDAに適用できる最初のフレームワークである。
我々は,MAPSegを,乳幼児用MRIデータセットと一般用CT-MRIデータセットの最先端手法と比較し,MAPSegは他者よりも大きなマージン(プライベートMRIデータセットの10.5Dice,一般用CT-MRIデータセットの5.7Dice改善)で優れていた。
MAPSegは非常に実用的な価値を持ち、現実世界の問題に適用できる。
コードと事前訓練されたモデルは、後ほど利用可能になります。
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。