論文の概要: Reconstruction-driven Dynamic Refinement based Unsupervised Domain
Adaptation for Joint Optic Disc and Cup Segmentation
- arxiv url: http://arxiv.org/abs/2304.04581v1
- Date: Mon, 10 Apr 2023 13:33:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-11 15:01:35.263860
- Title: Reconstruction-driven Dynamic Refinement based Unsupervised Domain
Adaptation for Joint Optic Disc and Cup Segmentation
- Title（参考訳）: 再構成駆動型ダイナミックリファインメントによる関節円板とカップセグメンテーションのための教師なし領域適応
- Authors: Ziyang Chen, Yongsheng Pan, Yong Xia
- Abstract要約: 緑内障は可逆性失明の主要な原因の1つである。
OD/OCセグメンテーションモデルをトレーニングすることは依然として難しい。
本稿ではリコンストラクション駆動動的リファインメントネットワーク(RDR-Net)と呼ばれる新しい非教師なし領域適応(UDA)手法を提案する。
- 参考スコア（独自算出の注目度）: 25.750583118977833
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Glaucoma is one of the leading causes of irreversible blindness. Segmentation
of optic disc (OD) and optic cup (OC) on fundus images is a crucial step in
glaucoma screening. Although many deep learning models have been constructed
for this task, it remains challenging to train an OD/OC segmentation model that
could be deployed successfully to different healthcare centers. The
difficulties mainly comes from the domain shift issue, i.e., the fundus images
collected at these centers usually vary greatly in the tone, contrast, and
brightness. To address this issue, in this paper, we propose a novel
unsupervised domain adaptation (UDA) method called Reconstruction-driven
Dynamic Refinement Network (RDR-Net), where we employ a due-path segmentation
backbone for simultaneous edge detection and region prediction and design three
modules to alleviate the domain gap. The reconstruction alignment (RA) module
uses a variational auto-encoder (VAE) to reconstruct the input image and thus
boosts the image representation ability of the network in a self-supervised
way. It also uses a style-consistency constraint to force the network to retain
more domain-invariant information. The low-level feature refinement (LFR)
module employs input-specific dynamic convolutions to suppress the
domain-variant information in the obtained low-level features. The
prediction-map alignment (PMA) module elaborates the entropy-driven adversarial
learning to encourage the network to generate source-like boundaries and
regions. We evaluated our RDR-Net against state-of-the-art solutions on four
public fundus image datasets. Our results indicate that RDR-Net is superior to
competing models in both segmentation performance and generalization ability
- Abstract（参考訳）: 緑内障は可逆性盲目の主要な原因の1つである。
眼底画像上における光ディスク(OD)とオプティカルカップ(OC)の分離は緑内障検診における重要なステップである。
このタスクのために多くのディープラーニングモデルが構築されているが、異なる医療センターにうまく展開できるod/ocセグメンテーションモデルをトレーニングすることは依然として困難である。
この困難は、主にドメインシフトの問題、すなわち、これらのセンターで収集された基礎画像は、通常、トーン、コントラスト、明るさに大きく異なる。
この問題に対処するため,本稿ではリコンストラクション駆動動的リファインメントネットワーク (RDR-Net) と呼ばれる新しい非教師付きドメイン適応(UDA)手法を提案する。
再構成アライメント(RA)モジュールは、可変オートエンコーダ(VAE)を使用して入力画像の再構成を行い、自己監督的な方法でネットワークのイメージ表現能力を高める。
また、スタイル整合性制約を使用して、ネットワークにより多くのドメイン不変情報を保持させる。
低レベル特徴改善(LFR)モジュールは、入力固有の動的畳み込みを用いて、取得した低レベル特徴のドメイン変動情報を抑制する。
予測マップアライメント(pma)モジュールは、エントロピー駆動の逆学習を詳述し、ネットワークがソースライクな境界と領域を生成するように促す。
我々は,RDR-Netを4つのパブリックファンドイメージデータセットの最先端ソリューションと比較した。
我々の結果は、RDR-Netはセグメント化性能と一般化能力の両面で競合モデルよりも優れていることを示している。
関連論文リスト
- Adaptive Feature Fusion Neural Network for Glaucoma Segmentation on Unseen Fundus Images [13.03504366061946]
本研究では,未確認領域における緑内障セグメンテーションのための適応的特徴融合ニューラルネットワーク (AFNN) を提案する。
ドメインアダプタは、事前訓練されたモデルが、他の画像ドメインから医療基礎画像ドメインへの迅速な適応を支援する。
提案手法は,4つの公共緑内障データセット上の既存のファンドスセグメンテーション法と比較して,競争力のある性能を実現する。
論文 参考訳（メタデータ） (2024-04-02T16:30:12Z) - In-Domain GAN Inversion for Faithful Reconstruction and Editability [132.68255553099834]
ドメイン誘導型ドメイン正規化とエンコーダで構成されたドメイン内GANインバージョンを提案し、事前学習されたGANモデルのネイティブ潜在空間における反転コードを正規化する。
エンコーダ構造,開始反転点,および逆パラメータ空間の効果を総合的に解析し,再構成品質と編集特性とのトレードオフを観察する。
論文 参考訳（メタデータ） (2023-09-25T08:42:06Z) - SMC-UDA: Structure-Modal Constraint for Unsupervised Cross-Domain Renal
Segmentation [100.86339246424541]
本稿では、識別パラダイムに基づく新しい構造モード制約(SMC) UDA フレームワークを提案し、ドメイン間のブリッジとしてエッジ構造を導入する。
構造に制約のある自己学習とプログレッシブROIでは,エッジの3次元空間構造を見極めることで腎臓を分節する。
実験の結果,提案するSMC-UDAの一般化は良好であり,生成的UDA法よりも優れていた。
論文 参考訳（メタデータ） (2023-06-14T02:57:23Z) - ReContrast: Domain-Specific Anomaly Detection via Contrastive
Reconstruction [29.370142078092375]
殆どの高度な教師なし異常検出(UAD)手法は、大規模データセットで事前訓練された冷凍エンコーダネットワークの特徴表現をモデル化することに依存している。
本稿では,事前学習した画像領域に対するバイアスを低減するために,ネットワーク全体を最適化する新しい疫学的UAD手法であるReContrastを提案する。
2つの一般的な産業欠陥検出ベンチマークと3つの医用画像UADタスクで実験を行い、現在の最先端手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-06-05T05:21:15Z) - Unsupervised domain adaptation semantic segmentation of high-resolution
remote sensing imagery with invariant domain-level context memory [10.210120085157161]
本研究では,HRS画像のセマンティックセマンティックセマンティックセマンティクスのための,教師なし領域適応セマンティクスネットワーク(MemoryAdaptNet)を提案する。
MemoryAdaptNetは、ソースドメインとターゲットドメイン間のドメイン分布の不一致をブリッジするために、出力空間逆学習スキームを構築する。
3つのクロスドメインタスクによる実験は、提案したMemoryAdaptNetが最先端の手法よりもはるかに優れていることを示している。
論文 参考訳（メタデータ） (2022-08-16T12:35:57Z) - Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training
for Road Segmentation of Remote Sensing Images [93.50240389540252]
リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。
本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。
2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
論文 参考訳（メタデータ） (2021-08-28T09:29:14Z) - Cross-Modality Brain Tumor Segmentation via Bidirectional
Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。
具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。
提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
論文 参考訳（メタデータ） (2021-05-17T10:11:45Z) - Adapt Everywhere: Unsupervised Adaptation of Point-Clouds and Entropy
Minimisation for Multi-modal Cardiac Image Segmentation [10.417009344120917]
マルチモーダル心臓画像分割のための新しいUDA法を提案する。
提案手法は、逆学習に基づいて、異なる空間におけるソースとターゲットドメイン間のネットワーク特徴を適応する。
本手法はannotated source domainからunannotated target domainへの適応により2つの心データセットで検証した。
論文 参考訳（メタデータ） (2021-03-15T08:59:44Z) - Unsupervised Instance Segmentation in Microscopy Images via Panoptic
Domain Adaptation and Task Re-weighting [86.33696045574692]
病理組織像における教師なし核分割のためのCycle Consistency Panoptic Domain Adaptive Mask R-CNN(CyC-PDAM)アーキテクチャを提案する。
まず,合成画像中の補助的な生成物を除去するための核塗布機構を提案する。
第二に、ドメイン識別器を持つセマンティックブランチは、パンプトレベルのドメイン適応を実現するように設計されている。
論文 参考訳（メタデータ） (2020-05-05T11:08:26Z) - Deep Adaptive Inference Networks for Single Image Super-Resolution [72.7304455761067]
シングルイメージ超解像(SISR)は、ディープ畳み込みニューラルネットワーク(CNN)の展開により、近年大きく進歩している。
本稿では,深部SISR(AdaDSR)の適応型推論ネットワークを活用することで,この問題に対処する。
我々のAdaDSRは、SISRモデルをバックボーンとし、画像の特徴とリソース制約を入力として取り、ローカルネットワーク深さのマップを予測する軽量アダプタモジュールを備える。
論文 参考訳（メタデータ） (2020-04-08T10:08:20Z) - Domain Adaptive Medical Image Segmentation via Adversarial Learning of
Disease-Specific Spatial Patterns [6.298270929323396]
複数の領域にまたがる画像セグメンテーション性能を向上させるための教師なしドメイン適応フレームワークを提案する。
我々は,不適切なセグメンテーションパターンを拒絶し,意味情報や境界情報を通じて暗黙的に学習することで,新しいデータに適応するようにアーキテクチャを強制する。
対象領域からのラベルなし画像上でのディープネットワークの再構成により,セグメント化精度が大幅に向上することが実証された。
論文 参考訳（メタデータ） (2020-01-25T13:48:02Z)
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。