論文の概要: Meta-hallucinator: Towards Few-Shot Cross-Modality Cardiac Image
Segmentation
- arxiv url: http://arxiv.org/abs/2305.06978v1
- Date: Thu, 11 May 2023 17:06:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-12 13:56:19.912488
- Title: Meta-hallucinator: Towards Few-Shot Cross-Modality Cardiac Image
Segmentation
- Title(参考訳): meta-hallucinator : 数発交叉モダリティ心筋画像セグメンテーションに向けて
- Authors: Ziyuan Zhao, Fangcheng Zhou, Zeng Zeng, Cuntai Guan, S. Kevin Zhou
- Abstract要約: 非教師なし領域適応(UDA)技術は、最近、有望なクロスモーダルな医療画像セグメンテーションを実現している。
本稿では,メタハロシン化フレームワーク,メタハロシン化フレームワークを提案する。
この枠組みでは, 幻覚とセグメンテーションのモデルが, 勾配に基づくメタラーニング戦略で共同で訓練されている。
- 参考スコア(独自算出の注目度): 25.821877102329506
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Domain shift and label scarcity heavily limit deep learning applications to
various medical image analysis tasks. Unsupervised domain adaptation (UDA)
techniques have recently achieved promising cross-modality medical image
segmentation by transferring knowledge from a label-rich source domain to an
unlabeled target domain. However, it is also difficult to collect annotations
from the source domain in many clinical applications, rendering most prior
works suboptimal with the label-scarce source domain, particularly for few-shot
scenarios, where only a few source labels are accessible. To achieve efficient
few-shot cross-modality segmentation, we propose a novel
transformation-consistent meta-hallucination framework, meta-hallucinator, with
the goal of learning to diversify data distributions and generate useful
examples for enhancing cross-modality performance. In our framework,
hallucination and segmentation models are jointly trained with the
gradient-based meta-learning strategy to synthesize examples that lead to good
segmentation performance on the target domain. To further facilitate data
hallucination and cross-domain knowledge transfer, we develop a self-ensembling
model with a hallucination-consistent property. Our meta-hallucinator can
seamlessly collaborate with the meta-segmenter for learning to hallucinate with
mutual benefits from a combined view of meta-learning and self-ensembling
learning. Extensive studies on MM-WHS 2017 dataset for cross-modality cardiac
segmentation demonstrate that our method performs favorably against various
approaches by a lot in the few-shot UDA scenario.
- Abstract(参考訳): ドメインシフトとラベル不足は、さまざまな医用画像解析タスクにディープラーニングを強く制限する。
unsupervised domain adaptation (uda)技術は最近、ラベルの多いソースドメインからラベルなしのターゲットドメインに知識を転送することで、クロスモダリティな医療画像セグメンテーションを実現している。
しかし、多くの臨床応用において、ソースドメインからのアノテーションの収集も困難であり、特に少数のソースラベルしかアクセスできない数ショットのシナリオにおいて、ほとんどの先行作品がラベルスカースソースドメインに最適である。
そこで本稿では,データ分散の多様化とクロスモダリティ性能向上のための有用な例の生成を目的として,新しい変換一貫性を持つメタハルーシネータであるmeta-hallucinatorを提案する。
本フレームワークでは, 幻覚とセグメンテーションモデルと, 勾配に基づくメタラーニング戦略を併用して, 対象領域でのセグメンテーション性能を向上する例を合成する。
さらに,データ幻覚とクロスドメイン知識伝達を容易にするために,幻覚一貫性を有する自己感覚モデルを開発した。
メタハルーシネータはメタセグメンタとシームレスにコラボレーションして,メタ学習と自己センシング学習の複合的な視点から相互利益を分かち合うことができる。
MM-WHS 2017データセットの多種間心筋セグメンテーションに関する広範な研究により,本手法は多種多様なアプローチに対して有効であることが示された。
関連論文リスト
- Generalizing Segmentation Foundation Model Under Sim-to-real Domain-shift for Guidewire Segmentation in X-ray Fluoroscopy [1.4353812560047192]
Sim-to-real ドメイン適応アプローチは、コスト効率の良いソリューションを提供するシミュレーションから合成データを利用する。
対象領域のアノテーションを使わずに、SAMを蛍光X線ガイドワイヤセグメント化に適応させる戦略を提案する。
提案手法は、事前訓練されたSAMと、最先端のドメイン適応技術の両方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) (2024-10-09T21:59:48Z) - Language Guided Domain Generalized Medical Image Segmentation [68.93124785575739]
単一ソースドメインの一般化は、より信頼性が高く一貫性のあるイメージセグメンテーションを現実の臨床環境にわたって約束する。
本稿では,テキストエンコーダ機能によって案内されるコントラスト学習機構を組み込むことで,テキスト情報を明確に活用する手法を提案する。
文献における既存手法に対して,本手法は良好な性能を発揮する。
論文 参考訳(メタデータ) (2024-04-01T17:48:15Z) - Unified Domain Adaptive Semantic Segmentation [96.74199626935294]
Unsupervised Adaptive Domain Semantic (UDA-SS)は、ラベル付きソースドメインからラベル付きターゲットドメインに監督を移すことを目的としている。
本稿では,特徴量と特徴量との相違に対処するQuad-directional Mixup(QuadMix)法を提案する。
提案手法は,4つの挑戦的UDA-SSベンチマークにおいて,最先端の成果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) (2023-11-22T09:18:49Z) - Meta-Learners for Few-Shot Weakly-Supervised Medical Image Segmentation [2.781492199939609]
医用画像領域における弱教師付きセグメンテーションのための汎用メタラーニングフレームワークを提案する。
画像分割に適応したメタラーナーの比較分析を行った。
論文 参考訳(メタデータ) (2023-05-11T15:57:45Z) - Domain-invariant Prototypes for Semantic Segmentation [30.932130453313537]
ドメイン適応型セマンティックセグメンテーションのためのドメイン不変のプロトタイプを学習する。
本手法は,1段階の訓練のみを伴い,大規模な未注釈対象画像に対してトレーニングを行う必要はない。
論文 参考訳(メタデータ) (2022-08-12T02:21:05Z) - Self-Supervised Generative Style Transfer for One-Shot Medical Image
Segmentation [10.634870214944055]
医用画像のセグメンテーションにおいて、教師付きディープネットワークの成功は、豊富なラベル付きデータを必要とするコストが伴う。
本稿では,ボリューム画像分割ペアを合成可能なデータ拡張のための,新しいボリューム自己教師型学習法を提案する。
我々の研究の中心的信条は、ワンショット生成学習と自己指導型学習戦略の併用による恩恵を受けている。
論文 参考訳(メタデータ) (2021-10-05T15:28:42Z) - 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) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳(メタデータ) (2020-12-10T04:01:07Z) - Towards Cross-modality Medical Image Segmentation with Online Mutual
Knowledge Distillation [71.89867233426597]
本稿では,あるモダリティから学習した事前知識を活用し,別のモダリティにおけるセグメンテーション性能を向上させることを目的とする。
モーダル共有知識を徹底的に活用する新しい相互知識蒸留法を提案する。
MMWHS 2017, MMWHS 2017 を用いた多クラス心筋セグメンテーション実験の結果, CT セグメンテーションに大きな改善が得られた。
論文 参考訳(メタデータ) (2020-10-04T10:25:13Z) - An Inductive Transfer Learning Approach using Cycle-consistent
Adversarial Domain Adaptation with Application to Brain Tumor Segmentation [1.9981375888949477]
本研究では,Cycle-GANをベースとした非教師付きドメイン適応(UDA)を用いて,ソースドメインデータセットのアノテーションラベルを対象ドメインデータセットのタスクに適用するためのインダクティブトランスファーラーニング(ITL)アプローチを提案する。
その結果,脳腫瘍のセグメンテーション精度は有意に向上した。
論文 参考訳(メタデータ) (2020-05-11T08:01:59Z) - 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。