論文の概要: SDC-UDA: Volumetric Unsupervised Domain Adaptation Framework for Slice-Direction Continuous Cross-Modality Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2305.11012v1
• Date: Thu, 18 May 2023 14:44:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-19 14:48:21.497196
• Title: SDC-UDA: Volumetric Unsupervised Domain Adaptation Framework for Slice-Direction Continuous Cross-Modality Medical Image Segmentation
• Title（参考訳）: SDC-UDA: Slice-Direction Continuous Cross-Modality Medical Image Segmentationのためのボリューム非教師付きドメイン適応フレームワーク
• Authors: Hyungseob Shin, Hyeongyu Kim, Sewon Kim, Yohan Jun, Taejoon Eo, Dosik Hwang
• Abstract要約: SDC-UDAは,スライス指向連続型医療画像セグメンテーションのためのフレームワークである。 これは、スライス内およびスライス間自己強調画像翻訳、不確実性に制約された擬似ラベルの精細化、容積的自己訓練を組み合わせたものである。 我々は,SDC-UDAを複数の一般公開医療画像セグメンテーションデータセットで検証し,最先端セグメンテーション性能を実現する。
• 参考スコア（独自算出の注目度）: 8.33996223844639
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in deep learning-based medical image segmentation studies achieve nearly human-level performance in fully supervised manner. However, acquiring pixel-level expert annotations is extremely expensive and laborious in medical imaging fields. Unsupervised domain adaptation (UDA) can alleviate this problem, which makes it possible to use annotated data in one imaging modality to train a network that can successfully perform segmentation on target imaging modality with no labels. In this work, we propose SDC-UDA, a simple yet effective volumetric UDA framework for slice-direction continuous cross-modality medical image segmentation which combines intra- and inter-slice self-attentive image translation, uncertainty-constrained pseudo-label refinement, and volumetric self-training. Our method is distinguished from previous methods on UDA for medical image segmentation in that it can obtain continuous segmentation in the slice direction, thereby ensuring higher accuracy and potential in clinical practice. We validate SDC-UDA with multiple publicly available cross-modality medical image segmentation datasets and achieve state-of-the-art segmentation performance, not to mention the superior slice-direction continuity of prediction compared to previous studies.
• Abstract（参考訳）: 深層学習に基づく医用画像分割研究の最近の進歩は、ほぼ人間レベルの性能を全監督的に達成している。 しかし, 医用画像の分野では, ピクセルレベルの専門家アノテーションの取得は非常に高価であり, 手間がかかる。 教師なし領域適応(UDA)は、この問題を緩和できるため、1つの画像モダリティで注釈付きデータを使用することで、ラベルなしでターゲット画像モダリティのセグメンテーションをうまく行うことができるネットワークを訓練することができる。 本研究では,sdc-udaを提案する。sdc-udaは,スライス方向連続クロスモダリティ医療画像セグメンテーションのための,単純かつ効果的なボリュームトリビュートudaフレームワークである。 本手法は, 医用画像分割法において, スライス方向の連続セグメンテーションを達成でき, 臨床実習における精度と可能性を確保するために, 従来のUDA法と区別される。 sdc-udaを複数の医療画像セグメンテーションデータセットで検証し,先行研究よりも優れたスライス指向連続性に留意しつつ,最先端セグメンテーション性能を実現する。

関連論文リスト

• Improving Segment Anything on the Fly: Auxiliary Online Learning and Adaptive Fusion for Medical Image Segmentation [52.172885882728174]
  医療画像の文脈では、SAMがそのセグメンテーション予測を生成した後、人間の専門家が特定のテストサンプルのセグメンテーションを修正することは珍しくない。 我々は、オンライン機械学習の利点を活用して、テスト期間中にSegment Anything(SA)を強化する新しいアプローチを導入する。 医用画像におけるSAのセグメンテーション品質を改善することを目的として,オンライン学習のための修正アノテーションを用いた。
  論文  参考訳（メタデータ） (2024-06-03T03:16:25Z)
• Enhancing Weakly Supervised 3D Medical Image Segmentation through Probabilistic-aware Learning [52.249748801637196]
  3次元医用画像のセグメンテーションは、疾患の診断と治療計画に重要な意味を持つ課題である。 近年の深層学習の進歩は、完全に教師付き医療画像のセグメンテーションを著しく強化している。 本稿では,3次元医用画像に特化して設計された,確率的適応型弱教師付き学習パイプラインを提案する。
  論文  参考訳（メタデータ） (2024-03-05T00:46:53Z)
• PCDAL: A Perturbation Consistency-Driven Active Learning Approach for Medical Image Segmentation and Classification [12.560273908522714]
  監視された学習は、医用画像のアプリケーションを取得するのに費用がかかり、時間がかかり、実用的でない、大規模な注釈付きデータに大きく依存している。 アクティブラーニング(AL)手法は、アノテーションのコストを削減するために、自然な画像分類タスクに広く応用されている。 本稿では,2次元医用画像分類,セグメンテーション,および3次元医用画像分割タスクに同時に適用可能なALベースの手法を提案する。
  論文  参考訳（メタデータ） (2023-06-29T13:11:46Z)
• Localized Region Contrast for Enhancing Self-Supervised Learning in Medical Image Segmentation [27.82940072548603]
  本稿では,地域コントラスト(LRC)を統合した新しいコントラスト学習フレームワークを提案する。 提案手法では,Felzenszwalbのアルゴリズムによるスーパーピクセルの同定と,新しいコントラッシブサンプリング損失を用いた局所コントラスト学習を行う。
  論文  参考訳（メタデータ） (2023-04-06T22:43:13Z)
• PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
  医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。 本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
  論文  参考訳（メタデータ） (2022-07-24T07:45:47Z)
• Positional Contrastive Learning for Volumetric Medical Image Segmentation [13.086140606803408]
  コントラストデータペアを生成するための新しい位置コントラスト学習フレームワークを提案する。 提案手法は,半教師付き設定と移動学習の両方において既存の手法と比較して,セグメンテーション性能を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2021-06-16T22:15:28Z)
• 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)
• Unsupervised Adversarial Domain Adaptation For Barrett's Segmentation [0.8602553195689513]
  自動セグメンテーションは臨床内科医がバレットの食道領域をより正確に評価し治療するのに役立つ。 教師付きモデルは、トレーニングデータにすべてのデータ変動を組み込んだ大量の手動アノテーションを必要とします。 本稿では,unsupervised domain adaptation technique (uda) を適用することで,この問題を軽減することを目的とする。 その結果, UDA ベースのアプローチは, 従来の U-Net セグメント化を Dice 類似度係数と交差オーバーユニオンの両方で 10% 近く上回ることが示された。
  論文  参考訳（メタデータ） (2020-12-09T20:59:25Z)
• 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)
• Uncertainty-aware multi-view co-training for semi-supervised medical image segmentation and domain adaptation [35.33425093398756]
  ラベルのないデータは、注釈付きデータよりもはるかに簡単に取得できる。 医用画像セグメンテーションのための不確実性を考慮したマルチビュー協調トレーニングを提案する。 我々のフレームワークは、ラベルのないデータを効率的に活用してパフォーマンスを向上させることができる。
  論文  参考訳（メタデータ） (2020-06-28T22:04:54Z)
• 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。