論文の概要: Curriculum-Based Augmented Fourier Domain Adaptation for Robust Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2306.03511v1
• Date: Tue, 6 Jun 2023 08:56:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-07 16:21:59.705534
• Title: Curriculum-Based Augmented Fourier Domain Adaptation for Robust Medical Image Segmentation
• Title（参考訳）: ロバストな医用画像分割のためのカリキュラムベース拡張フーリエドメイン適応
• Authors: An Wang, Mobarakol Islam, Mengya Xu, Hongliang Ren
• Abstract要約: 本研究は、堅牢な医用画像分割のためのカリキュラムベースの拡張フーリエドメイン適応(Curri-AFDA)を提案する。 特に、カリキュラム学習戦略は、異なるレベルのデータシフトの下でのモデルの因果関係に基づいている。 複数のサイトやスキャナーから収集した網膜と核の2つのセグメンテーションタスクの実験から,提案手法が優れた適応と一般化性能をもたらすことが示唆された。
• 参考スコア（独自算出の注目度）: 18.830738606514736
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate and robust medical image segmentation is fundamental and crucial for enhancing the autonomy of computer-aided diagnosis and intervention systems. Medical data collection normally involves different scanners, protocols, and populations, making domain adaptation (DA) a highly demanding research field to alleviate model degradation in the deployment site. To preserve the model performance across multiple testing domains, this work proposes the Curriculum-based Augmented Fourier Domain Adaptation (Curri-AFDA) for robust medical image segmentation. In particular, our curriculum learning strategy is based on the causal relationship of a model under different levels of data shift in the deployment phase, where the higher the shift is, the harder to recognize the variance. Considering this, we progressively introduce more amplitude information from the target domain to the source domain in the frequency space during the curriculum-style training to smoothly schedule the semantic knowledge transfer in an easier-to-harder manner. Besides, we incorporate the training-time chained augmentation mixing to help expand the data distributions while preserving the domain-invariant semantics, which is beneficial for the acquired model to be more robust and generalize better to unseen domains. Extensive experiments on two segmentation tasks of Retina and Nuclei collected from multiple sites and scanners suggest that our proposed method yields superior adaptation and generalization performance. Meanwhile, our approach proves to be more robust under various corruption types and increasing severity levels. In addition, we show our method is also beneficial in the domain-adaptive classification task with skin lesion datasets. The code is available at https://github.com/lofrienger/Curri-AFDA.
• Abstract（参考訳）: コンピュータ支援診断・介入システムの自律性向上には,正確かつ堅牢な医用画像分割が不可欠である。 医療データ収集は通常、異なるスキャナー、プロトコル、人口を含むため、ドメイン適応(DA)は、デプロイメントサイトのモデル劣化を軽減するために非常に要求の高い研究分野となる。 本研究は、複数のテスト領域にわたるモデル性能を維持するために、堅牢な医用画像セグメンテーションのためのCurriculum-based Augmented Fourier Domain Adaptation (Curri-AFDA)を提案する。 特に、我々のカリキュラム学習戦略は、展開フェーズにおけるデータシフトの異なるレベルにおけるモデルの因果関係に基づいており、シフトが高いほど分散を認識するのが難しくなる。 そこで本研究では,本研究のカリキュラムスタイル学習において,対象領域からソース領域への振幅情報の導入を段階的に進め,意味知識の伝達をより容易かつ困難にスケジュールする。 さらに、トレーニング時間チェーンによる拡張混合を組み込んで、ドメイン不変セマンティクスを維持しながら、データ分布の拡大を支援します。 複数のサイトとスキャナーから収集した網膜と核の2つのセグメンテーションタスクに関する広範囲な実験により,提案手法が優れた適応と一般化性能をもたらすことが示唆された。 一方, 本手法は, 汚職タイプや重度レベルの増加により, より堅牢であることが証明された。 また,本手法は皮膚病変データセットを用いた領域適応分類にも有用であることを示す。 コードはhttps://github.com/lofrienger/Curri-AFDAで入手できる。

関連論文リスト

• Domain Generalization with Adversarial Intensity Attack for Medical Image Segmentation [27.49427483473792]
  実世界のシナリオでは、トレーニング中に露出していない新しいドメインや異なるドメインのデータに遭遇することが一般的である。 ドメイン一般化(Domain Generalization, DG)は、モデルがこれまで見つからなかったドメインからのデータを扱うことを可能にする、有望な方向である。 本稿では,敵対的トレーニングを活用して無限のスタイルでトレーニングデータを生成する,AdverIN(Adversarial Intensity Attack)と呼ばれる新しいDG手法を提案する。
  論文  参考訳（メタデータ） (2023-04-05T19:40:51Z)
• Learning to Augment via Implicit Differentiation for Domain Generalization [107.9666735637355]
  ドメイン一般化(DG)は、複数のソースドメインを活用してドメイン一般化可能なモデルを学ぶことで、この問題を克服することを目的としている。 本稿では,AugLearnと呼ばれる新しい拡張型DG手法を提案する。 AugLearnは、PACS、Office-Home、Digits-DGの3つの標準DGベンチマークで効果を示す。
  論文  参考訳（メタデータ） (2022-10-25T18:51:51Z)
• AADG: Automatic Augmentation for Domain Generalization on Retinal Image Segmentation [1.0452185327816181]
  AADG(Automated Augmentation for Domain Generalization)と呼ばれるデータ操作に基づくドメイン一般化手法を提案する。 我々のAADGフレームワークは、新しいドメインを生成するデータ拡張ポリシーを効果的にサンプリングすることができる。 提案するAADGは,最先端の一般化性能を示し,既存手法より優れている。
  論文  参考訳（メタデータ） (2022-07-27T02:26:01Z)
• Single-domain Generalization in Medical Image Segmentation via Test-time Adaptation from Shape Dictionary [64.5632303184502]
  ドメインの一般化は通常、モデル学習のために複数のソースドメインからのデータを必要とする。 本稿では,1つのソースドメインのみで最悪のシナリオ下でモデルを学習し,異なる未確認対象ドメインに直接一般化する,重要な単一ドメインの一般化問題について考察する。 本稿では,領域間で不変なセグメンテーションのセグメンテーション先情報を抽出し,統合する医用画像セグメンテーションにおいて,この問題に対処する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-06-29T08:46:27Z)
• Unsupervised Domain Adaptation Using Feature Disentanglement And GCNs For Medical Image Classification [5.6512908295414]
  本稿では,グラフニューラルネットワークを用いた教師なし領域適応手法を提案する。 分布シフトを伴う2つの挑戦的医用画像データセットの分類法について検討した。 実験により,本手法は他の領域適応法と比較して最先端の結果が得られることが示された。
  論文  参考訳（メタデータ） (2022-06-27T09:02:16Z)
• Domain Generalization on Medical Imaging Classification using Episodic Training with Task Augmentation [62.49837463676111]
  本稿では,医用画像分類におけるタスク強化によるエピソードトレーニングの新たな手法を提案する。 実際の医療展開において、限られた数のソースドメインによって動機付けられ、ユニークなタスクレベルのオーバーフィッティングを検討します。
  論文  参考訳（メタデータ） (2021-06-13T03:56:59Z)
• 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)
• Embracing the Disharmony in Heterogeneous Medical Data [12.739380441313022]
  医療画像データの不均一性は、しばしば機械学習の文脈でドメイン不変性を用いて取り組まれる。 本論文は異種性を受け入れ,マルチタスク学習問題として扱う。 提案手法は,主分類タスクにおけるデータセット間の分類精度を5～30%向上することを示す。
  論文  参考訳（メタデータ） (2021-03-23T21:36:39Z)
• Disentangled Representations for Domain-generalized Cardiac Segmentation [19.108784219423377]
  Resolution Augmentation" 法では,異なるスキャナープロトコルにまたがる範囲内で,画像を異なる解像度に再スケールすることで,より多様なデータを生成する。 因子ベース拡張法は,元のサンプルを非絡み合った潜在空間に投影することで,より多様なデータを生成する。 本実験は,視覚領域と見えない領域間の効率的な適応とモデル一般化能力の重要性を実証するものである。
  論文  参考訳（メタデータ） (2020-08-26T12:20:09Z)
• Shape-aware Meta-learning for Generalizing Prostate MRI Segmentation to Unseen Domains [68.73614619875814]
  前立腺MRIのセグメント化におけるモデル一般化を改善するために,新しい形状認識メタラーニング手法を提案する。 実験結果から,本手法は未確認領域の6つの設定すべてにおいて,最先端の一般化手法を一貫して上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2020-07-04T07:56:02Z)
• MS-Net: Multi-Site Network for Improving Prostate Segmentation with Heterogeneous MRI Data [75.73881040581767]
  本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。 当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における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） (2020-02-09T14:11:50Z)

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。