論文の概要: Devil is in Channels: Contrastive Single Domain Generalization for
Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2306.05254v1
- Date: Thu, 8 Jun 2023 14:49:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-09 13:57:21.334058
- Title: Devil is in Channels: Contrastive Single Domain Generalization for
Medical Image Segmentation
- Title（参考訳）: Devil is in Channels: Contrastive Single Domain Generalization for Medical Image Segmentation
- Authors: Shishuai Hu, Zehui Liao, Yong Xia
- Abstract要約: 医用画像分割のためのtextbfChannel レベルの textbfContrastive textbfSingle textbfDomain textbf Generalization モデルを提案する。
提案手法は,単一ソースドメインを用いてチャネルワイドな特徴の絡み合いを可能にする,コントラスト的な視点での新しい手法である。
- 参考スコア（独自算出の注目度）: 21.079667938055668
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Deep learning-based medical image segmentation models suffer from performance
degradation when deployed to a new healthcare center. To address this issue,
unsupervised domain adaptation and multi-source domain generalization methods
have been proposed, which, however, are less favorable for clinical practice
due to the cost of acquiring target-domain data and the privacy concerns
associated with redistributing the data from multiple source domains. In this
paper, we propose a \textbf{C}hannel-level \textbf{C}ontrastive \textbf{S}ingle
\textbf{D}omain \textbf{G}eneralization (\textbf{C$^2$SDG}) model for medical
image segmentation. In C$^2$SDG, the shallower features of each image and its
style-augmented counterpart are extracted and used for contrastive training,
resulting in the disentangled style representations and structure
representations. The segmentation is performed based solely on the structure
representations. Our method is novel in the contrastive perspective that
enables channel-wise feature disentanglement using a single source domain. We
evaluated C$^2$SDG against six SDG methods on a multi-domain joint optic cup
and optic disc segmentation benchmark. Our results suggest the effectiveness of
each module in C$^2$SDG and also indicate that C$^2$SDG outperforms the
baseline and all competing methods with a large margin. The code will be
available at \url{https://github.com/ShishuaiHu/CCSDG}.
- Abstract（参考訳）: ディープラーニングベースの医療画像セグメンテーションモデルは、新しい医療センターにデプロイするとパフォーマンスが低下する。
この問題に対処するために,非教師なしドメイン適応法やマルチソースドメイン一般化法が提案されているが,ターゲットドメインデータの取得コストや,複数のソースドメインからのデータの再配布に伴うプライバシ上の懸念から,臨床実践にはあまり好ましくない。
本稿では,医療画像のセグメンテーションのための<textbf{C}hannel-level \textbf{C}ontrastive \textbf{S}ingle \textbf{D}omain \textbf{G}eneralization (\textbf{C$^2$SDG})モデルを提案する。
c$^2$sdgでは、各画像とそのスタイル指定された画像の浅い特徴を抽出し、対比訓練に使用し、不連続なスタイル表現と構造表現を生成する。
セグメント化は構造表現のみに基づいて実行される。
本手法は,単一のソースドメインを用いたチャネル間特徴の絡み合いを可能にする,コントラスト的な観点では斬新である。
c$^2$sdgを6つのsdg法に対してマルチドメイン合同光学カップと光ディスクセグメンテーションベンチマークで評価した。
この結果から, C$^2$SDGにおける各モジュールの有効性が示唆され, また, C$^2$SDGがベースラインおよび競合するすべてのメソッドよりも大きなマージンを持つことを示す。
コードは \url{https://github.com/ShishuaiHu/CCSDG} で入手できる。
関連論文リスト
- Prompting Segment Anything Model with Domain-Adaptive Prototype for Generalizable Medical Image Segmentation [49.5901368256326]
医用画像のセグメンテーションにおけるセグメンテーションモデル(DAPSAM)の微調整のための新しいドメイン適応型プロンプトフレームワークを提案する。
DAPSAMは,2つの医療画像分割タスクにおいて,異なるモダリティで最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2024-09-19T07:28:33Z) - DARC: Distribution-Aware Re-Coloring Model for Generalizable Nucleus
Segmentation [68.43628183890007]
ドメインギャップは、異なるフォアグラウンド(核)-バックグラウンド比によっても引き起こされる可能性があると我々は主張する。
まず、異なる領域間の劇的な画像色変化を緩和する再カラー化手法を提案する。
次に,前景-背景比の変動に頑健な新しいインスタンス正規化手法を提案する。
論文 参考訳（メタデータ） (2023-09-01T01:01:13Z) - Frequency-mixed Single-source Domain Generalization for Medical Image
Segmentation [29.566769388674473]
医用画像セグメンテーションの欠如は、ディープラーニングモデルのための十分なトレーニングデータを集める上での課題となっている。
周波数混合単一ソース領域一般化法(FreeSDG)という新しい手法を提案する。
3つのモードの5つのデータセットに対する実験結果から,提案アルゴリズムの有効性が示された。
論文 参考訳（メタデータ） (2023-07-18T06:44:45Z) - I2F: A Unified Image-to-Feature Approach for Domain Adaptive Semantic
Segmentation [55.633859439375044]
意味的セグメンテーションのための教師なしドメイン適応(UDA)は、重いアノテーション作業から人々を解放する有望なタスクである。
この問題に対処する主要なアイデアは、画像レベルと特徴レベルの両方を共同で実行することである。
本稿では,画像レベルと特徴レベルを統一したセマンティックセグメンテーションのための新しいUDAパイプラインを提案する。
論文 参考訳（メタデータ） (2023-01-03T15:19:48Z) - ProSFDA: Prompt Learning based Source-free Domain Adaptation for Medical
Image Segmentation [21.079667938055668]
医用画像分割のためのtextbfProSFDA (textbfProSFDA) 法を提案する。
以上の結果から,提案したProSFDA法は,他のSFDA法よりも優れており,UDA法と同等であることが明らかとなった。
論文 参考訳（メタデータ） (2022-11-21T14:57:04Z) - Semantic-Aware Domain Generalized Segmentation [67.49163582961877]
ソースドメインでトレーニングされたディープモデルは、異なるデータ分布を持つ未確認対象ドメインで評価された場合、一般化に欠ける。
セマンティック・アウェア・正規化(SAN)とセマンティック・アウェア・ホワイトニング(SAW)の2つの新しいモジュールを含むフレームワークを提案する。
提案手法は,様々なバックボーンネットワークにおいて,既存の最先端ネットワークよりも大幅に改善されている。
論文 参考訳（メタデータ） (2022-04-02T09:09:59Z) - Causality-inspired Single-source Domain Generalization for Medical Image
Segmentation [12.697945585457441]
合成ドメインシフトトレーニング例にセグメンテーションモデルを公開するための簡単なデータ拡張手法を提案する。
具体的には,1)画像強度とテクスチャの相違に頑健な深層モデルを実現するために,ランダムに重み付けされた浅層ネットワーク群を用いる。
我々は、ネットワークが予測を行うためのドメイン固有の手がかりとして捉えうる画像内のオブジェクト間の急激な相関を取り除き、未知のドメインに分解する可能性がある。
論文 参考訳（メタデータ） (2021-11-24T14:45:17Z) - Unsupervised Domain Adaptation with Variational Approximation for
Cardiac Segmentation [15.2292571922932]
非教師なし領域適応は、医用画像セグメンテーションに有用である。
両ドメインの潜在機能を共通かつパラメータ化された変分形式に駆動する新しいフレームワークを提案する。
これは、変分オートエンコーダ(VAE)とこの変分近似の正規化に基づく2つのネットワークによって実現される。
論文 参考訳（メタデータ） (2021-06-16T13:00:39Z) - 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) - Semantic Distribution-aware Contrastive Adaptation for Semantic
Segmentation [50.621269117524925]
ドメイン適応セマンティックセグメンテーション(ドメイン適応セマンティックセグメンテーション)とは、特定のソースドメインのアノテーションだけで特定のターゲットドメイン上で予測を行うことを指す。
画素ワイド表示アライメントを可能にする意味分布対応コントラスト適応アルゴリズムを提案する。
複数のベンチマークでSDCAを評価し、既存のアルゴリズムを大幅に改善します。
論文 参考訳（メタデータ） (2021-05-11T13:21:25Z) - 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)
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。