Fugu-MT 論文翻訳(概要): SynthMix: Mixing up Aligned Synthesis for Medical Cross-Modality Domain Adaptation

論文の概要: SynthMix: Mixing up Aligned Synthesis for Medical Cross-Modality Domain Adaptation

arxiv url: http://arxiv.org/abs/2305.04156v1
Date: Sun, 7 May 2023 01:37:46 GMT
ステータス: 処理完了
システム内更新日: 2023-05-09 17:20:56.641006
Title: SynthMix: Mixing up Aligned Synthesis for Medical Cross-Modality Domain Adaptation
Title（参考訳）: SynthMix:医療用クロスモーダルドメイン適応のための配向合成
Authors: Xinwen Zhang, Chaoyi Zhang, Dongnan Liu, Qianbi Yu, Weidong Cai
Abstract要約: 自然かつ効果的なトレーニングポリシを備えたアドオンモジュールであるSynthMixを提案する。 GANの敵対的哲学に従い、我々はSynthMixと呼ばれる混合合成スキームを設計した。実際のサンプルと合成サンプルの整列したイメージをコヒーレントに混ぜて、きめ細かい特徴の生成を刺激した。
参考スコア（独自算出の注目度）: 17.10686650166592
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: The adversarial methods showed advanced performance by producing synthetic images to mitigate the domain shift, a common problem due to the hardship of acquiring labelled data in medical field. Most existing studies focus on modifying the network architecture, but little has worked on the GAN training strategy. In this work, we propose SynthMix, an add-on module with a natural yet effective training policy that can promote synthetic quality without altering the network architecture. Following the adversarial philosophy of GAN, we designed a mix-up synthesis scheme termed SynthMix. It coherently mixed up aligned images of real and synthetic samples to stimulate the generation of fine-grained features, examined by an associated Inspector for the domain-specific details. We evaluated our method on two segmentation benchmarks among three publicly available datasets, where our method showed a significant performance gain compared with existing state-of-the-art approaches.
Abstract（参考訳）: 本手法は, 医療分野におけるラベル付きデータの取得が困難であったため, ドメインシフトを軽減するために合成画像を作成することで, 高度な性能を示した。既存の研究はネットワークアーキテクチャの変更に重点を置いているが、GANトレーニング戦略にはほとんど取り組んでいない。本稿では,ネットワークアーキテクチャを変更せずに合成品質を促進する,自然かつ効果的なトレーニングポリシを備えたアドオンモジュールであるsynthmixを提案する。 GANの逆説に従い、我々はSynthMixと呼ばれる混合合成スキームを設計した。実際のサンプルと合成サンプルの整列画像をコヒーレントに混合し、粒度の細かい特徴の発生を刺激し、関連するドメイン固有の詳細を検査する。提案手法は,公開データセット中の2つのセグメンテーションベンチマークを用いて評価し,既存の手法と比較して有意な性能向上を示した。

関連論文リスト

Maximizing domain generalization in fetal brain tissue segmentation: the role of synthetic data generation, intensity clustering and real image fine-tuning [1.1443262816483672]
SynthSegのような領域ランダム化に基づく最近のアプローチは、単一ソース領域の一般化に大きな可能性を示している。胎児脳MRIにおけるSynthSeg法におけるOPD(out-of- domain)の一般化ポテンシャルを最大化する方法を示す。
論文参考訳（メタデータ） (2024-11-11T10:17:44Z)
FairDiff: Fair Segmentation with Point-Image Diffusion [15.490776421216689]
本研究は,合成画像を統合することで,データ駆動型戦略強化データバランスを採用する。 3つのネットワークを経験的リスクと公平性の目標に向けて最適化する,共同最適化方式で問題を定式化する。本モデルは,最先端のフェアネス学習モデルと比較して,優れたフェアネス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） (2024-07-08T17:59:58Z)
Bi-Modality Medical Image Synthesis Using Semi-Supervised Sequential Generative Adversarial Networks [35.358653509217994]
本稿では,GANと半教師付き学習に基づく双方向医療画像合成手法を提案する。提案手法は, 2つのモードの画像を逐次的に合成する2つの生成モジュールから構成される。視覚的および定量的な結果から,本手法が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） (2023-08-27T10:39:33Z)
Unsupervised Synthetic Image Refinement via Contrastive Learning and Consistent Semantic-Structural Constraints [32.07631215590755]
コントラスト学習(CL)は、相関したパッチをまとめて、非相関的なパッチを分離するのに成功している。本研究では,合成画像と精細画像間の意味的・構造的整合性を利用して,意味的歪みを低減するためにCLを採用する。
論文参考訳（メタデータ） (2023-04-25T05:55:28Z)
SIAN: Style-Guided Instance-Adaptive Normalization for Multi-Organ Histopathology Image Synthesis [63.845552349914186]
本研究では,異なる臓器に対して,現実的な色分布とテクスチャを合成するためのスタイル誘導型インスタンス適応正規化(SIAN)を提案する。 4つのフェーズは一緒に動作し、生成ネットワークに統合され、イメージセマンティクス、スタイル、インスタンスレベルのバウンダリを埋め込む。
論文参考訳（メタデータ） (2022-09-02T16:45:46Z)
Semantic Image Synthesis via Diffusion Models [159.4285444680301]
Denoising Diffusion Probabilistic Models (DDPM) は様々な画像生成タスクにおいて顕著な成功を収めた。セマンティック画像合成に関する最近の研究は、主に「GAN(Generative Adversarial Nets)」に追従している。
論文参考訳（メタデータ） (2022-06-30T18:31:51Z)
Style-Hallucinated Dual Consistency Learning for Domain Generalized Semantic Segmentation [117.3856882511919]
本稿では、ドメインシフトを処理するためのStyle-HAllucinated Dual consistEncy Learning(SHADE)フレームワークを提案する。 SHADEは3つの実世界のデータセットの平均mIoUに対して5.07%と8.35%の精度で改善し、最先端の手法よりも優れています。
論文参考訳（メタデータ） (2022-04-06T02:49:06Z)
CAFE: Learning to Condense Dataset by Aligning Features [72.99394941348757]
本稿ではCAFE(Aligning features)によるCondenseデータセットの新しいスキームを提案する。このアプローチの核心は、さまざまなスケールにわたる実データと合成データから機能を整合させる効果的な戦略です。提案したCAFEを様々なデータセットで検証し,概ね最先端技術であることを示す。
論文参考訳（メタデータ） (2022-03-03T05:58:49Z)
Learning to Segment Human Body Parts with Synthetically Trained Deep Convolutional Networks [58.0240970093372]
本稿では,合成データのみを用いて学習した深部畳み込みニューラルネットワークに基づく人体部分分割のための新しい枠組みを提案する。提案手法は,人体部品の実際の注釈付きデータを用いてモデルを訓練することなく,最先端の結果が得られる。
論文参考訳（メタデータ） (2021-02-02T12:26:50Z)
Synthetic Convolutional Features for Improved Semantic Segmentation [139.5772851285601]
本稿では、中間畳み込み特徴を生成することを提案し、そのような中間畳み込み特徴に対応する最初の合成手法を提案する。これにより、ラベルマスクから新機能を生成し、トレーニング手順にうまく組み込むことができます。 Cityscapes と ADE20K の2つの挑戦的なデータセットに関する実験結果と分析により,生成した特徴がセグメンテーションタスクのパフォーマンスを向上させることが示された。
論文参考訳（メタデータ） (2020-09-18T14:12:50Z)

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。