論文の概要: VesselMorph: Domain-Generalized Retinal Vessel Segmentation via Shape-Aware Representation

• arxiv url: http://arxiv.org/abs/2307.00240v2
• Date: Sat, 12 Aug 2023 04:45:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-15 19:21:11.980237
• Title: VesselMorph: Domain-Generalized Retinal Vessel Segmentation via Shape-Aware Representation
• Title（参考訳）: VesselMorph: 形状認識による領域一般化網膜血管分割
• Authors: Dewei Hu, Hao Li, Han Liu, Xing Yao, Jiacheng Wang, Ipek Oguz
• Abstract要約: ドメインシフトは医療画像の本質的な特性であり、学習ベースのアルゴリズムを大規模に展開する上で大きな障害となっている。 形状認識表現を合成することにより2次元網膜血管セグメンテーションタスクを一般化するVesselMorphという手法を提案する。 VesselMorphは、異なるドメインシフトシナリオの競合するメソッドと比較して、優れた一般化性能を実現する。
• 参考スコア（独自算出の注目度）: 12.194439938007672
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Due to the absence of a single standardized imaging protocol, domain shift between data acquired from different sites is an inherent property of medical images and has become a major obstacle for large-scale deployment of learning-based algorithms. For retinal vessel images, domain shift usually presents as the variation of intensity, contrast and resolution, while the basic tubular shape of vessels remains unaffected. Thus, taking advantage of such domain-invariant morphological features can greatly improve the generalizability of deep models. In this study, we propose a method named VesselMorph which generalizes the 2D retinal vessel segmentation task by synthesizing a shape-aware representation. Inspired by the traditional Frangi filter and the diffusion tensor imaging literature, we introduce a Hessian-based bipolar tensor field to depict the morphology of the vessels so that the shape information is taken into account. We map the intensity image and the tensor field to a latent space for feature extraction. Then we fuse the two latent representations via a weight-balancing trick and feed the result to a segmentation network. We evaluate on six public datasets of fundus and OCT angiography images from diverse patient populations. VesselMorph achieves superior generalization performance compared with competing methods in different domain shift scenarios.
• Abstract（参考訳）: 単一の標準化されたイメージングプロトコルが存在しないため、異なるサイトから取得したデータ間のドメインシフトは医療画像の固有の特性であり、学習ベースアルゴリズムの大規模展開の大きな障害となっている。 網膜血管画像では、ドメインシフトは通常、強度、コントラスト、解像度の変動として現れるが、血管の基本的な管状形状は影響を受けない。 したがって、そのようなドメイン不変な形態的特徴を利用することで、深層モデルの一般化性を大幅に改善することができる。 本研究では,形状認識表現を合成することにより,2次元網膜血管分割タスクを一般化するVesselMorphという手法を提案する。 従来のフラギフィルタや拡散テンソルイメージングの文献に触発されて,形状情報を考慮した血管の形態を記述するため,ヘッセン系バイポーラテンソル場を導入する。 我々は、強度画像とテンソル場を、特徴抽出のために潜在空間にマッピングする。 次に2つの潜在表現を重みバランストリックで融合し、結果をセグメンテーションネットワークに供給する。 各種患者集団の6つの公的データセットとOCTアンギオグラフィー画像について検討した。 VesselMorphは、異なるドメインシフトシナリオの競合メソッドと比較して、優れた一般化性能を実現する。

関連論文リスト

• Progressive Retinal Image Registration via Global and Local Deformable Transformations [49.032894312826244]
  我々はHybridRetinaと呼ばれるハイブリッド登録フレームワークを提案する。 キーポイント検出器とGAMorphと呼ばれる変形ネットワークを用いて、大域的な変換と局所的な変形可能な変換を推定する。 FIREとFLoRI21という2つの広く使われているデータセットの実験により、提案したHybridRetinaは最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-02T08:43:50Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• MAP: Domain Generalization via Meta-Learning on Anatomy-Consistent Pseudo-Modalities [12.194439938007672]
  解剖学的に整合した擬似モダリティ(MAP)のメタラーニングを提案する。 MAPは構造的特徴を学習することでモデル一般化性を向上させる。 各種網膜画像モダリティの公開データセットを7つ評価した。
  論文  参考訳（メタデータ） (2023-09-03T22:56:22Z)
• Synthetic optical coherence tomography angiographs for detailed retinal vessel segmentation without human annotations [12.571349114534597]
  本稿では,より高速でリアルなOCTA合成のために,空間コロニー化に基づく網膜血管網の軽量なシミュレーションを行う。 本研究では,3つの公開データセットに対する定量的および定性的実験において,提案手法の優れたセグメンテーション性能を示す。
  論文  参考訳（メタデータ） (2023-06-19T14:01:47Z)
• Scale-aware Super-resolution Network with Dual Affinity Learning for Lesion Segmentation from Medical Images [50.76668288066681]
  低解像度医用画像から様々な大きさの病変を適応的に分割する,スケールアウェアな超解像ネットワークを提案する。 提案するネットワークは,他の最先端手法と比較して一貫した改善を実現した。
  論文  参考訳（メタデータ） (2023-05-30T14:25:55Z)
• Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
  条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。 提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。 提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
  論文  参考訳（メタデータ） (2023-03-17T18:00:27Z)
• BayeSeg: Bayesian Modeling for Medical Image Segmentation with Interpretable Generalizability [15.410162313242958]
  医用画像分割のためのモデル一般化性を高めるための解釈可能なベイズフレームワーク(BayeSeg)を提案する。 具体的には、まず、画像を空間的関連変数と空間的変動変数に分解し、階層的ベイズ事前を割り当て、それぞれドメインの安定な形状とドメイン固有の外観情報をモデル化するよう明示的に強制する。 最後に、これらの説明可能な変数の後方分布を推測する変分ベイズ的枠組みを開発する。
  論文  参考訳（メタデータ） (2023-03-03T04:48:37Z)
• Affinity Feature Strengthening for Accurate, Complete and Robust Vessel Segmentation [48.638327652506284]
  血管セグメンテーションは、冠動脈狭窄、網膜血管疾患、脳動脈瘤などの多くの医学的応用において重要である。 コントラストに敏感なマルチスケールアフィニティアプローチを用いて,幾何学的手法と画素単位のセグメンテーション特徴を連成的にモデル化する新しいアプローチであるAFNを提案する。
  論文  参考訳（メタデータ） (2022-11-12T05:39:17Z)
• SD-LayerNet: Semi-supervised retinal layer segmentation in OCT using disentangled representation with anatomical priors [4.2663199451998475]
  網膜層セグメンテーションタスクに半教師付きパラダイムを導入する。 特に、表面位置回帰をピクセル単位で構造化されたセグメンテーションに変換するために、新しい完全微分可能なアプローチが用いられる。 並行して,ラベル付きデータの限られた量が利用できる場合に,ネットワークトレーニングを改善するための解剖学的事前セットを提案する。
  論文  参考訳（メタデータ） (2022-07-01T14:30:59Z)
• Segmentation-Renormalized Deep Feature Modulation for Unpaired Image Harmonization [0.43012765978447565]
  サイクル一貫性のある生成共役ネットワークは、ソースとターゲットドメイン間のイメージセットの調和に使われてきた。 これらの手法は、不安定性、コントラストの逆転、病理の難治性操作、および実際の医用画像における信頼性を制限したステガノグラフィーマッピングの傾向が強い。 解剖学的レイアウトを維持しながらスキャナ間の調和を低減するセグメンテーション正規化画像翻訳フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-11T23:53:51Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)

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。