論文の概要: Unsupervised Domain Adaptation for Neuron Membrane Segmentation based on Structural Features

• arxiv url: http://arxiv.org/abs/2305.02569v1
• Date: Thu, 4 May 2023 05:55:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-05 16:58:24.345137
• Title: Unsupervised Domain Adaptation for Neuron Membrane Segmentation based on Structural Features
• Title（参考訳）: 構造的特徴に基づくニューロン膜セグメンテーションの教師なし領域適応
• Authors: Yuxiang An, Dongnan Liu, Weidong Cai
• Abstract要約: EM画像におけるクロスドメインニューロン膜セグメンテーションにおける非教師なし領域適応(UDA)法の性能向上を提案する。 まず,適応時の構造的特徴を考慮した特徴量モジュールを設計した。 第2に,クロスドメイン画像の解像度を調整することにより,領域間ギャップを軽減する構造的特徴量に基づく超解像手法を提案する。
• 参考スコア（独自算出の注目度）: 16.594977729459774
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: AI-enhanced segmentation of neuronal boundaries in electron microscopy (EM) images is crucial for automatic and accurate neuroinformatics studies. To enhance the limited generalization ability of typical deep learning frameworks for medical image analysis, unsupervised domain adaptation (UDA) methods have been applied. In this work, we propose to improve the performance of UDA methods on cross-domain neuron membrane segmentation in EM images. First, we designed a feature weight module considering the structural features during adaptation. Second, we introduced a structural feature-based super-resolution approach to alleviating the domain gap by adjusting the cross-domain image resolutions. Third, we proposed an orthogonal decomposition module to facilitate the extraction of domain-invariant features. Extensive experiments on two domain adaptive membrane segmentation applications have indicated the effectiveness of our method.
• Abstract（参考訳）: 電子顕微鏡(EM)画像における神経境界のAIによるセグメンテーションは、自動的かつ正確な神経情報学研究に不可欠である。 医用画像解析のための典型的なディープラーニングフレームワークの限定的な一般化能力を高めるために、教師なし領域適応法(UDA)が適用されている。 本研究では,EM画像における領域横断ニューロン膜分割におけるUDA法の性能向上を提案する。 まず,適応時の構造的特徴を考慮した特徴重みモジュールの設計を行った。 第2に,クロスドメイン画像の解像度を調整することで領域ギャップを軽減する構造的特徴に基づく超解像手法を提案する。 第3に, 領域不変特徴の抽出を容易にする直交分解モジュールを提案する。 2つの領域適応膜セグメンテーションの応用実験により,本手法の有効性が示された。

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)
• Learning to Generalize over Subpartitions for Heterogeneity-aware Domain Adaptive Nuclei Segmentation [8.303040737608173]
  画像レベルとインスタンスレベルの両方でドメイン不変の特徴表現を取得するために,2段階のアンタングルメントフレームワークを提案する。 合成画像における核の過剰発生と変形を防止するために, 二重分岐型核形状と構造保存モジュールを提案する。
  論文  参考訳（メタデータ） (2024-01-17T01:37:17Z)
• Domain-Adaptive Learning: Unsupervised Adaptation for Histology Images with Improved Loss Function Combination [3.004632712148892]
  本稿では,H&E染色組織像を対象とした非教師なし領域適応(UDA)のための新しいアプローチを提案する。 本手法では, 組織像に特有の課題に対処するために, 慎重に選択された既存の損失関数とともに, 新たな損失関数を提案する。 提案手法は, 組織像の最先端技術を超え, 精度, 堅牢性, 一般化の面で広く評価されている。
  論文  参考訳（メタデータ） (2023-09-29T12:11:16Z)
• 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)
• PiPa: Pixel- and Patch-wise Self-supervised Learning for Domain Adaptative Semantic Segmentation [100.6343963798169]
  教師なしドメイン適応(Unsupervised Domain Adaptation, UDA)は、学習モデルの他のドメインへの一般化を強化することを目的としている。 そこで我々は,ドメイン適応型セマンティックセマンティックセグメンテーションのための,PiPaという,画素・パッチ対応の自己教師付き学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-14T18:31:24Z)
• 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)
• Shape-aware Meta-learning for Generalizing Prostate MRI Segmentation to Unseen Domains [68.73614619875814]
  前立腺MRIのセグメント化におけるモデル一般化を改善するために,新しい形状認識メタラーニング手法を提案する。 実験結果から,本手法は未確認領域の6つの設定すべてにおいて,最先端の一般化手法を一貫して上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2020-07-04T07:56:02Z)
• 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。