論文の概要: Multi-source adversarial transfer learning for ultrasound image
segmentation with limited similarity
- arxiv url: http://arxiv.org/abs/2305.19069v1
- Date: Tue, 30 May 2023 14:31:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-31 15:55:11.369891
- Title: Multi-source adversarial transfer learning for ultrasound image
segmentation with limited similarity
- Title(参考訳): 超音波画像の類似度を限定したマルチソース逆転写学習
- Authors: Yifu Zhang, Hongru Li, Tao Yang, Rui Tao, Zhengyuan Liu, Shimeng Shi,
Jiansong Zhang, Ning Ma, Wujin Feng, Zhanhu Zhang, Xinyu Zhang
- Abstract要約: 逆転写学習の考え方は、特定のソースとターゲットドメインのペア間の共通特徴を適応的に抽出するために用いられる。
単一のソースドメインにおける知識不足を軽減するため、複数のソースドメインからの知識を融合するために、マルチソース転送学習が採用されている。
- 参考スコア(独自算出の注目度): 14.745463626423936
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Lesion segmentation of ultrasound medical images based on deep learning
techniques is a widely used method for diagnosing diseases. Although there is a
large amount of ultrasound image data in medical centers and other places,
labeled ultrasound datasets are a scarce resource, and it is likely that no
datasets are available for new tissues/organs. Transfer learning provides the
possibility to solve this problem, but there are too many features in natural
images that are not related to the target domain. As a source domain, redundant
features that are not conducive to the task will be extracted. Migration
between ultrasound images can avoid this problem, but there are few types of
public datasets, and it is difficult to find sufficiently similar source
domains. Compared with natural images, ultrasound images have less information,
and there are fewer transferable features between different ultrasound images,
which may cause negative transfer. To this end, a multi-source adversarial
transfer learning network for ultrasound image segmentation is proposed.
Specifically, to address the lack of annotations, the idea of adversarial
transfer learning is used to adaptively extract common features between a
certain pair of source and target domains, which provides the possibility to
utilize unlabeled ultrasound data. To alleviate the lack of knowledge in a
single source domain, multi-source transfer learning is adopted to fuse
knowledge from multiple source domains. In order to ensure the effectiveness of
the fusion and maximize the use of precious data, a multi-source domain
independent strategy is also proposed to improve the estimation of the target
domain data distribution, which further increases the learning ability of the
multi-source adversarial migration learning network in multiple domains.
- Abstract(参考訳): 深部学習技術に基づく超音波画像の病変分割は,疾患の診断に広く用いられている。
医療センターや他の場所には大量の超音波画像データが存在するが、ラベル付き超音波データセットは乏しい資源であり、新しい組織や組織にはデータセットが利用できない可能性が高い。
転送学習はこの問題を解決することができるが、対象領域とは無関係な自然画像には多すぎる特徴がある。
ソースドメインとして、タスクに導出されない冗長なフィーチャが抽出される。
超音波画像間の移動はこの問題を回避することができるが、公開データセットのタイプはほとんどなく、十分に類似したソースドメインを見つけることは困難である。
自然画像と比較すると、超音波画像は情報が少なく、異なる超音波画像間で伝達可能な特徴が少なく、負の転送を引き起こす可能性がある。
この目的のために,超音波画像分割のための多元逆転写学習ネットワークを提案する。
具体的には、アノテーションの欠如に対処するため、特定のソースとターゲットドメイン間の共通特徴を適応的に抽出するために、逆転写学習の考え方を用いて、ラベルのない超音波データを利用することができる。
単一のソースドメインにおける知識不足を軽減するため、複数のソースドメインからの知識を融合するために、マルチソース転送学習を採用する。
また、融合の有効性を保証し、貴重なデータの利用を最大化するために、複数のドメインにおける多ソース逆マイグレーション学習ネットワークの学習能力を高めるために、対象ドメインデータ分布の推定を改善するためのマルチソースドメイン独立戦略も提案されている。
関連論文リスト
- Multi-Level Global Context Cross Consistency Model for Semi-Supervised
Ultrasound Image Segmentation with Diffusion Model [0.0]
本研究では,Latent Diffusion Model (LDM) によって生成された画像を,半教師付き学習のためのラベル付き画像として利用するフレームワークを提案する。
提案手法により,確率分布の知識をセグメント化ネットワークに効果的に伝達することが可能となり,セグメント化精度が向上する。
論文 参考訳(メタデータ) (2023-05-16T14:08:24Z) - M$^{2}$SNet: Multi-scale in Multi-scale Subtraction Network for Medical
Image Segmentation [73.10707675345253]
医用画像から多様なセグメンテーションを仕上げるマルチスケールサブトラクションネットワーク(M$2$SNet)を提案する。
本手法は,4つの異なる医用画像セグメンテーションタスクの11つのデータセットに対して,異なる評価基準の下で,ほとんどの最先端手法に対して好意的に機能する。
論文 参考訳(メタデータ) (2023-03-20T06:26:49Z) - SATS: Self-Attention Transfer for Continual Semantic Segmentation [50.51525791240729]
連続的なセマンティックセグメンテーションは、連続的な分類学習と同じ破滅的な忘れの問題に悩まされる。
本研究では,各画像内の要素間の関係について,知識に関連する新しいタイプの情報伝達を提案する。
関係情報は、トランスフォーマースタイルのセグメンテーションモデルにおける自己アテンションマップから有効に得ることができる。
論文 参考訳(メタデータ) (2022-03-15T06:09:28Z) - Unsupervised Domain Adaptation with Contrastive Learning for OCT
Segmentation [49.59567529191423]
本稿では,新しい未ラベル領域からのボリューム画像のセグメンテーションのための,新しい半教師付き学習フレームワークを提案する。
教師付き学習とコントラスト学習を併用し、3次元の近傍スライス間の類似性を利用したコントラストペア方式を導入する。
論文 参考訳(メタデータ) (2022-03-07T19:02:26Z) - Learn to Ignore: Domain Adaptation for Multi-Site MRI Analysis [1.3079444139643956]
本稿では,画像に含まれるスキャナ関連の特徴を無視し,分類タスクに関連する特徴を学習する新しい手法を提案する。
本手法は,多発性硬化症患者と健常者との分類作業において,最先端の領域適応法よりも優れていた。
論文 参考訳(メタデータ) (2021-10-13T15:40:50Z) - Voice-assisted Image Labelling for Endoscopic Ultrasound Classification
using Neural Networks [48.732863591145964]
本稿では,臨床医が提示した生音声からのEUS画像にラベルを付けるマルチモーダル畳み込みニューラルネットワークアーキテクチャを提案する。
その結果,5つのラベルを持つデータセットにおいて,画像レベルでの予測精度は76%であった。
論文 参考訳(メタデータ) (2021-10-12T21:22:24Z) - 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) - 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) - Ultrasound Image Classification using ACGAN with Small Training Dataset [0.0]
ディープラーニングモデルのトレーニングには大きなラベル付きデータセットが必要であるが、超音波画像では利用できないことが多い。
我々は、大規模データ拡張と転送学習の利点を組み合わせた、ジェネレーティブ・アドバイサル・ネットワーク(ACGAN)を利用する。
乳房超音波画像のデータセットを用いて,提案手法の有効性を示す実験を行った。
論文 参考訳(メタデータ) (2021-01-31T11:11:24Z) - Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。
本稿では,生成逆U-Netという新しい生成手法を提案する。
当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
論文 参考訳(メタデータ) (2021-01-12T23:02:26Z) - Multi-label Thoracic Disease Image Classification with Cross-Attention
Networks [65.37531731899837]
胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。
また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
論文 参考訳(メタデータ) (2020-07-21T14:37:00Z)
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。