論文の概要: A robust multi-domain network for short-scanning amyloid PET
reconstruction
- arxiv url: http://arxiv.org/abs/2305.09986v1
- Date: Wed, 17 May 2023 06:31:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-18 17:13:57.068495
- Title: A robust multi-domain network for short-scanning amyloid PET
reconstruction
- Title(参考訳): 短走査アミロイドPET再構成のための堅牢なマルチドメインネットワーク
- Authors: Hyoung Suk Park and Young Jin Jeong and Kiwan Jeon
- Abstract要約: 本稿では,低品質なアミロイドPET画像の短時間での復元を目的とした,堅牢なマルチドメインネットワークを提案する。
提案手法は,複数のドメインから抽出した短距離(2分)および標準20分(20分)のPET画像のペアをトレーニングする。
- 参考スコア(独自算出の注目度): 0.18750851274087485
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents a robust multi-domain network designed to restore
low-quality amyloid PET images acquired in a short period of time. The proposed
method is trained on pairs of PET images from short (2 minutes) and standard
(20 minutes) scanning times, sourced from multiple domains. Learning relevant
image features between these domains with a single network is challenging. Our
key contribution is the introduction of a mapping label, which enables
effective learning of specific representations between different domains. The
network, trained with various mapping labels, can efficiently correct amyloid
PET datasets in multiple training domains and unseen domains, such as those
obtained with new radiotracers, acquisition protocols, or PET scanners.
Internal, temporal, and external validations demonstrate the effectiveness of
the proposed method. Notably, for external validation datasets from unseen
domains, the proposed method achieved comparable or superior results relative
to methods trained with these datasets, in terms of quantitative metrics such
as normalized root mean-square error and structure similarity index measure.
Two nuclear medicine physicians evaluated the amyloid status as positive or
negative for the external validation datasets, with accuracies of 0.970 and
0.930 for readers 1 and 2, respectively.
- Abstract(参考訳): 本稿では,低品質のアミロイドpet画像を短時間で復元するロバストなマルチドメインネットワークを提案する。
提案手法は,複数のドメインから抽出した短距離(2分)および標準20分(20分)のPET画像のペアをトレーニングする。
これらのドメイン間の関連画像特徴を単一のネットワークで学ぶことは困難である。
私たちの重要な貢献は、異なるドメイン間の特定の表現を効果的に学習できるマッピングラベルの導入です。
さまざまなマッピングラベルでトレーニングされたこのネットワークは、新しいラジオトレーサ、取得プロトコル、PETスキャナーなど、複数のトレーニングドメインと見えないドメインのアミロイドPETデータセットを効率的に修正することができる。
内部検証,時間検証,外部検証は,提案手法の有効性を示す。
特に,未発見領域からの外部検証データセットに対しては,正規化ルート平均二乗誤差や構造類似性指標尺度などの定量的指標を用いて,これらのデータセットで訓練された手法と比較し,比較し,優れた結果を得た。
2人の核医学医は、アミロイドの状態を、それぞれ1と2で0.970と0.930と、外部の検証データセットで正または負と評価した。
関連論文リスト
- Self-supervised Domain-agnostic Domain Adaptation for Satellite Images [18.151134198549574]
このようなドメイン定義なしでドメイン適応を行うための自己教師付きドメイン非依存ドメイン適応(SS(DA)2)手法を提案する。
まず,2つの衛星画像パッチ間で画像と画像の変換を行うために,生成ネットワークのトレーニングを行う。
そして、異なる試験スペクトル特性でトレーニングデータを増強することにより、下流モデルの一般化性を向上させる。
論文 参考訳(メタデータ) (2023-09-20T07:37:23Z) - Unsupervised Domain Adaptation for Anatomical Landmark Detection [5.070344284426738]
非教師なし領域適応(UDA)の設定下での解剖学的ランドマーク検出のための新しい枠組みを提案する。
このフレームワークは、自己学習とドメインの敵対的学習を活用して、適応中のドメインギャップに対処する。
脳波および肺のランドマーク検出実験は,領域間隙を広いマージンで低減し,他のUDA法より一貫して優れる手法の有効性を示した。
論文 参考訳(メタデータ) (2023-08-25T10:22:13Z) - LE-UDA: Label-efficient unsupervised domain adaptation for medical image
segmentation [24.655779957716558]
ラベル有効非教師付きドメイン適応(LE-UDA)と呼ばれる新規で汎用的なフレームワークを提案する。
LE-UDAでは、両ドメイン間の知識伝達のための自己認識一貫性と、UDAの機能アライメントを向上するために自己認識学習モジュールを構築している。
実験結果から,提案するLE-UDAは,限られたソースラベルを有効活用し,ドメイン間セグメンテーション性能を向上し,文献における最先端のUDAアプローチより優れていることが示された。
論文 参考訳(メタデータ) (2022-12-05T07:47:35Z) - Adapting the Mean Teacher for keypoint-based lung registration under
geometric domain shifts [75.51482952586773]
ディープニューラルネットワークは一般的に、ラベル付きトレーニングデータが多く必要であり、トレーニングデータとテストデータの間のドメインシフトに弱い。
本稿では,ラベル付きソースからラベル付きターゲットドメインへのモデルの適用により,画像登録のための幾何学的領域適応手法を提案する。
本手法は,ベースラインモデルの精度を目標データに適合させながら,ベースラインモデルの50%/47%を継続的に改善する。
論文 参考訳(メタデータ) (2022-07-01T12:16:42Z) - Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training
for Road Segmentation of Remote Sensing Images [93.50240389540252]
リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。
本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。
2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
論文 参考訳(メタデータ) (2021-08-28T09:29:14Z) - 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) - Contrastive Learning and Self-Training for Unsupervised Domain
Adaptation in Semantic Segmentation [71.77083272602525]
UDAは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効率的な知識伝達を試みている。
本稿では,領域にまたがるカテゴリ別センタロイドを適応させるコントラスト学習手法を提案する。
提案手法を自己学習で拡張し,メモリ効率の良い時間アンサンブルを用いて一貫性と信頼性の高い擬似ラベルを生成する。
論文 参考訳(メタデータ) (2021-05-05T11:55:53Z) - Adapt Everywhere: Unsupervised Adaptation of Point-Clouds and Entropy
Minimisation for Multi-modal Cardiac Image Segmentation [10.417009344120917]
マルチモーダル心臓画像分割のための新しいUDA法を提案する。
提案手法は、逆学習に基づいて、異なる空間におけるソースとターゲットドメイン間のネットワーク特徴を適応する。
本手法はannotated source domainからunannotated target domainへの適応により2つの心データセットで検証した。
論文 参考訳(メタデータ) (2021-03-15T08:59:44Z) - Cross-Domain Similarity Learning for Face Recognition in Unseen Domains [90.35908506994365]
本研究では,cdt(cross-domain triplet, クロスドメイントリプレット)の損失を推測する新しいクロスドメインメトリック学習損失法を提案する。
CDT損失は、一つのドメインからコンパクトな特徴クラスタを強制することによって意味論的に意味のある特徴の学習を促進する。
本手法では,トレーニング中,注意深いハードペアサンプルマイニングおよびフィルタリング戦略は必要としない。
論文 参考訳(メタデータ) (2021-03-12T19:48:01Z) - Effective Label Propagation for Discriminative Semi-Supervised Domain
Adaptation [76.41664929948607]
半教師付き領域適応(SSDA)法は,大規模な画像分類タスクにおいて大きな可能性を示している。
本稿では、ドメイン間およびドメイン内セマンティック情報を効果的に伝達することにより、この問題に対処する新しい効果的な方法を提案する。
ソースコードと事前訓練されたモデルも間もなくリリースされる予定です。
論文 参考訳(メタデータ) (2020-12-04T14:28:19Z) - Unsupervised learning of multimodal image registration using domain
adaptation with projected Earth Move's discrepancies [8.88841928746097]
教師なしのドメイン適応は、マルチモーダル登録の現在の制限を克服するのに有益である。
離散マルチモーダル登録における教師なしドメイン適応の最初の利用を提案する。
概念実証は、犬MRIスキャンのモノモダルからマルチコントラスト(Multi-Contrast)2Dへのドメイン転送が適用可能であることを示す。
論文 参考訳(メタデータ) (2020-05-28T15:57:21Z)
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。