論文の概要: Structure Preserving Cycle-GAN for Unsupervised Medical Image Domain
Adaptation
- arxiv url: http://arxiv.org/abs/2304.09164v1
- Date: Tue, 18 Apr 2023 17:53:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-19 13:45:36.438968
- Title: Structure Preserving Cycle-GAN for Unsupervised Medical Image Domain
Adaptation
- Title（参考訳）: 医用画像領域適応のための構造保存サイクルGAN
- Authors: Paolo Iacono and Naimul Khan
- Abstract要約: 本研究は, 構造保存サイクルGAN(SP Cycle-GAN)を紹介する。
SP Cycle-GANは、セグメンテーション損失項の実施を通じて、画像翻訳中の医療構造保存を促進する。
教師なし領域適応モデルに対するDiceスコアセグメンテーション性能の比較により,SPサイクルGANの構造保存能力を示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The presence of domain shift in medical imaging is a common issue, which can
greatly impact the performance of segmentation models when dealing with unseen
image domains. Adversarial-based deep learning models, such as Cycle-GAN, have
become a common model for approaching unsupervised domain adaptation of medical
images. These models however, have no ability to enforce the preservation of
structures of interest when translating medical scans, which can lead to
potentially poor results for unsupervised domain adaptation within the context
of segmentation. This work introduces the Structure Preserving Cycle-GAN (SP
Cycle-GAN), which promotes medical structure preservation during image
translation through the enforcement of a segmentation loss term in the overall
Cycle-GAN training process. We demonstrate the structure preserving capability
of the SP Cycle-GAN both visually and through comparison of Dice score
segmentation performance for the unsupervised domain adaptation models. The SP
Cycle-GAN is able to outperform baseline approaches and standard Cycle-GAN
domain adaptation for binary blood vessel segmentation in the STARE and DRIVE
datasets, and multi-class Left Ventricle and Myocardium segmentation in the
multi-modal MM-WHS dataset. SP Cycle-GAN achieved a state of the art Myocardium
segmentation Dice score (DSC) of 0.7435 for the MR to CT MM-WHS domain
adaptation problem, and excelled in nearly all categories for the MM-WHS
dataset. SP Cycle-GAN also demonstrated a strong ability to preserve blood
vessel structure in the DRIVE to STARE domain adaptation problem, achieving a
4% DSC increase over a default Cycle-GAN implementation.
- Abstract（参考訳）: 医用画像における領域シフトの存在は一般的な問題であり、見えない画像領域を扱う際にセグメンテーションモデルの性能に大きな影響を与える可能性がある。
医学画像の教師なし領域適応にアプローチするための一般的なモデルとして,Cycle-GAN などの敵対型ディープラーニングモデルがある。
しかし、これらのモデルは医学的スキャンを翻訳する際に興味のある構造の保存を強制する能力を持たないため、セグメンテーションの文脈において教師なしのドメイン適応の結果が潜在的に劣る可能性がある。
本研究は, 画像翻訳において, 全体サイクルGANトレーニングプロセスにおけるセグメンテーション損失項の実施を通じて, 医用構造保存を促進する構造保存サイクルGAN(Structure Preserving Cycle-GAN)を紹介する。
本研究では,sp cycle-ganの構造保存性能について,教師なしドメイン適応モデルにおけるdiceスコアセグメンテーション性能の比較を通して示す。
sp cycle-ganは、stareおよびdriveデータセットにおける2値血管のセグメンテーション、およびマルチモーダルmm-whsデータセットにおけるマルチクラス左室および心筋セグメンテーションのベースラインアプローチおよび標準サイクルganドメイン適応を上回ることができる。
SP Cycle-GANはMRからCTのMM-WHS領域適応問題に対して0.7435の心筋セグメンテーションDiceスコア(DSC)を達成し、MM-WHSデータセットのほぼすべてのカテゴリで優れていた。
SP Cycle-GANはまた、DRIVEからSTAREドメイン適応問題における血管構造を維持する強力な能力を示し、デフォルトのCycle-GAN実装よりも4%のDSC増加を実現した。
関連論文リスト
- AC-Norm: Effective Tuning for Medical Image Analysis via Affine
Collaborative Normalization [11.224435413938375]
Affine Collaborative Normalization (AC-Norm) が提案されている。
AC-Normは、クロスドメインチャネルワイズ相関に基づいてターゲットモデルのチャネルを動的に再分類する。
我々は,AC-Normがバニラファインタニングを最大4%改善したことを実証した。
論文 参考訳（メタデータ） (2023-07-28T03:27:25Z) - ARHNet: Adaptive Region Harmonization for Lesion-aware Augmentation to
Improve Segmentation Performance [61.04246102067351]
本研究では,合成画像をよりリアルに見せるために,前景調和フレームワーク(ARHNet)を提案する。
実画像と合成画像を用いたセグメンテーション性能の向上に本手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-07-02T10:39:29Z) - Two-stage MR Image Segmentation Method for Brain Tumors based on
Attention Mechanism [27.08977505280394]
CycleGAN(CycleGAN)に基づく協調・空間的注意生成対向ネットワーク(CASP-GAN)を提案する。
ジェネレータの性能は、コーディネート・アテンション(CA)モジュールと空間アテンション(SA)モジュールを導入することで最適化される。
元の医用画像の構造情報と詳細な情報を抽出する能力は、所望の画像をより高品質に生成するのに役立つ。
論文 参考訳（メタデータ） (2023-04-17T08:34:41Z) - 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) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳（メタデータ） (2022-02-22T15:24:06Z) - Unsupervised Domain Adaptation for Cross-Modality Retinal Vessel
Segmentation via Disentangling Representation Style Transfer and
Collaborative Consistency Learning [3.9562534927482704]
ドメインシフトが大きいタスクに対する、新しいクロスモーダルな教師なしドメイン適応フレームワークDCDAを提案する。
本フレームワークは,OCTAからOCT,OCTからOCTAまで,目標に訓練されたオラクルに近いDiceスコアを達成し,他の最先端手法よりも優れていた。
論文 参考訳（メタデータ） (2022-01-13T07:03:16Z) - 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) - Domain adaptation based self-correction model for COVID-19 infection
segmentation in CT images [23.496487874821756]
CT画像を用いた新型コロナウイルス感染セグメント化のためのドメイン適応型自己補正モデル(DASC-Net)を提案する。
DASC-Netは、ドメインシフトを解決するための新しい注目と機能ドメイン拡張ドメイン適応モデル(AFD-DA)と、結果を洗練するための自己補正学習プロセスから構成される。
3つの公開可能なCOVID-19 CTデータセットに対する大規模な実験は、DASC-Netが最先端のセグメンテーション、ドメインシフト、および新型コロナウイルス感染セグメンテーションメソッドを一貫して上回っていることを示している。
論文 参考訳（メタデータ） (2021-04-20T00:45:01Z) - Unsupervised Domain Adaptation Network with Category-Centric Prototype
Aligner for Biomedical Image Segmentation [1.1799563040751586]
本稿では,ラベル付きソースドメインから非ラベル付きターゲットドメインへ学習したモデルを一般化するための新しい非監視ドメイン適応ネットワークを提案する。
具体的には,条件付きドメイン判別器(cdd)とカテゴリ中心プロトタイプライナー(ccpa)という2つのキーモジュールからなる。
論文 参考訳（メタデータ） (2021-03-03T07:07:38Z) - 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) - Unsupervised Bidirectional Cross-Modality Adaptation via Deeply
Synergistic Image and Feature Alignment for Medical Image Segmentation [73.84166499988443]
我々は、Synergistic Image and Feature Alignment (SIFA)と名付けられた新しい教師なしドメイン適応フレームワークを提案する。
提案するSIFAは、画像と特徴の両方の観点から、ドメインの相乗的アライメントを行う。
2つの異なるタスクに対する実験結果から,SIFA法は未ラベル対象画像のセグメンテーション性能を向上させるのに有効であることが示された。
論文 参考訳（メタデータ） (2020-02-06T13:49:47Z)
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。