論文の概要: Cluster Entropy: Active Domain Adaptation in Pathological Image Segmentation

• arxiv url: http://arxiv.org/abs/2304.13513v1
• Date: Wed, 26 Apr 2023 12:53:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-27 14:20:43.331735
• Title: Cluster Entropy: Active Domain Adaptation in Pathological Image Segmentation
• Title（参考訳）: クラスターエントロピー:病理画像分割におけるアクティブドメイン適応
• Authors: Xiaoqing Liu, Kengo Araki, Shota Harada, Akihiko Yoshizawa, Kazuhiro Terada, Mariyo Kurata, Naoki Nakajima, Hiroyuki Abe, Tetsuo Ushiku, Ryoma Bise
• Abstract要約: 半教師付きドメイン適応に使用される有効全スライド画像(WSI)を選択するクラスタエントロピーを提案する。 このアプローチは、WSIのイメージ特徴がターゲットドメイン全体の分布をどのようにカバーしているかを測定することができる。 本手法は,2つの病院から収集したデータセットの先行技術に対して,競争力のある結果を得た。
• 参考スコア（独自算出の注目度）: 7.500364675640502
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The domain shift in pathological segmentation is an important problem, where a network trained by a source domain (collected at a specific hospital) does not work well in the target domain (from different hospitals) due to the different image features. Due to the problems of class imbalance and different class prior of pathology, typical unsupervised domain adaptation methods do not work well by aligning the distribution of source domain and target domain. In this paper, we propose a cluster entropy for selecting an effective whole slide image (WSI) that is used for semi-supervised domain adaptation. This approach can measure how the image features of the WSI cover the entire distribution of the target domain by calculating the entropy of each cluster and can significantly improve the performance of domain adaptation. Our approach achieved competitive results against the prior arts on datasets collected from two hospitals.
• Abstract（参考訳）: 病的セグメンテーションにおけるドメインシフトは重要な問題であり、ソースドメイン(特定の病院で収集された)によって訓練されたネットワークは、異なる画像特徴のためにターゲットドメイン(異なる病院から)でうまく機能しない。 病理学に先立つクラス不均衡の問題と異なるクラスのため、典型的には教師なしのドメイン適応法は、ソースドメインとターゲットドメインの分布を調整することでうまく機能しない。 本稿では,半教師付きドメイン適応に使用される有効全スライド画像(WSI)を選択するクラスタエントロピーを提案する。 このアプローチは、各クラスタのエントロピーを計算することによって、wsiの画像特徴がターゲットドメイン全体の分布をどのようにカバーするかを測定することができ、ドメイン適応の性能を大幅に改善することができる。 このアプローチは,2つの病院から収集したデータセットの先行技術に対して,競争力のある結果を得た。

関連論文リスト

• I2F: A Unified Image-to-Feature Approach for Domain Adaptive Semantic Segmentation [55.633859439375044]
  意味的セグメンテーションのための教師なしドメイン適応(UDA)は、重いアノテーション作業から人々を解放する有望なタスクである。 この問題に対処する主要なアイデアは、画像レベルと特徴レベルの両方を共同で実行することである。 本稿では,画像レベルと特徴レベルを統一したセマンティックセグメンテーションのための新しいUDAパイプラインを提案する。
  論文  参考訳（メタデータ） (2023-01-03T15:19:48Z)
• Contrastive Domain Disentanglement for Generalizable Medical Image Segmentation [12.863227646939563]
  本稿では,一般的な医用画像分割のためのコントラストディスタングル・ドメイン(CDD)ネットワークを提案する。 まず、医用画像を解剖学的表現因子とモダリティ表現因子に分解する不整合ネットワークを導入する。 次に、モデル一般化学習のための新しい領域をランダムに生成できる領域拡張戦略を提案する。
  論文  参考訳（メタデータ） (2022-05-13T10:32:41Z)
• From Big to Small: Adaptive Learning to Partial-Set Domains [94.92635970450578]
  ドメイン適応は、分布シフト中のラベル付きソースドメインからラベルなしターゲットドメインへの知識獲得と普及を目標とする。 近年の進歩は、大規模の深層学習モデルにより、小規模の下流の多様な課題に取り組むための豊富な知識が得られていることを示している。 本稿では,学習パラダイムである部分領域適応(Partial Domain Adaptation, PDA)を紹介する。
  論文  参考訳（メタデータ） (2022-03-14T07:02:45Z)
• Unsupervised Domain Adaptation for Retinal Vessel Segmentation with Adversarial Learning and Transfer Normalization [22.186070895966022]
  本稿では,ソースドメインとターゲットドメイン間の分布差を低減するために,エントロピーに基づく逆学習戦略を提案する。 ディープネットワークの転送性をさらに向上するために,新しい転送正規化層を提案する。 我々の手法は、他の最先端手法と比較して大きな性能向上をもたらす。
  論文  参考訳（メタデータ） (2021-08-04T02:45:37Z)
• Unsupervised Domain Adaptation with Variational Approximation for Cardiac Segmentation [15.2292571922932]
  非教師なし領域適応は、医用画像セグメンテーションに有用である。 両ドメインの潜在機能を共通かつパラメータ化された変分形式に駆動する新しいフレームワークを提案する。 これは、変分オートエンコーダ(VAE)とこの変分近似の正規化に基づく2つのネットワークによって実現される。
  論文  参考訳（メタデータ） (2021-06-16T13:00:39Z)
• 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)
• Cross-Domain Grouping and Alignment for Domain Adaptive Semantic Segmentation [74.3349233035632]
  深層畳み込みニューラルネットワーク(CNN)内のソースドメインとターゲットドメインにセマンティックセグメンテーションネットワークを適用する既存の技術は、対象ドメイン自身や推定カテゴリ内のクラス間変異を考慮していない。 学習可能なクラスタリングモジュールと、クロスドメイングルーピングとアライメントと呼ばれる新しいドメイン適応フレームワークを導入する。 本手法はセマンティクスセグメンテーションにおける適応性能を一貫して向上させ,様々なドメイン適応設定において最先端を上回っている。
  論文  参考訳（メタデータ） (2020-12-15T11:36:21Z)
• Class Distribution Alignment for Adversarial Domain Adaptation [32.95056492475652]
  両領域間のサンプルのクラス分布を明示的に整合させるために, CADIT (Conditional ADversarial Image Translation) を提案する。 識別構造保存損失と連立対向生成損失を統合している。 提案手法は,最先端手法と比較して,対象領域の優れた分類を実現する。
  論文  参考訳（メタデータ） (2020-04-20T15:58:11Z)
• Towards Fair Cross-Domain Adaptation via Generative Learning [50.76694500782927]
  ドメイン適応(DA)は、よくラベル付けされたソースドメイン上でトレーニングされたモデルを、異なる分散に横たわる未ラベルのターゲットドメインに適応することを目的としています。 本研究では,新規な生成的Few-shot Cross-Domain Adaptation (GFCA) アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-03-04T23:25:09Z)
• 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)
• CrDoCo: Pixel-level Domain Transfer with Cross-Domain Consistency [119.45667331836583]
  教師なしのドメイン適応アルゴリズムは、あるドメインから学んだ知識を別のドメインに転送することを目的としている。 本稿では,新しい画素単位の対向領域適応アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-01-09T19:00:35Z)

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。