論文の概要: ARHNet: Adaptive Region Harmonization for Lesion-aware Augmentation to
Improve Segmentation Performance
- arxiv url: http://arxiv.org/abs/2307.01220v1
- Date: Sun, 2 Jul 2023 10:39:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-06 19:47:23.159485
- Title: ARHNet: Adaptive Region Harmonization for Lesion-aware Augmentation to
Improve Segmentation Performance
- Title(参考訳): ARHNet: セグメント性能向上のための病変認識拡張のための適応型領域調和
- Authors: Jiayu Huo, Yang Liu, Xi Ouyang, Alejandro Granados, Sebastien
Ourselin, Rachel Sparks
- Abstract要約: 本研究では,合成画像をよりリアルに見せるために,前景調和フレームワーク(ARHNet)を提案する。
実画像と合成画像を用いたセグメンテーション性能の向上に本手法の有効性を実証する。
- 参考スコア(独自算出の注目度): 61.04246102067351
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Accurately segmenting brain lesions in MRI scans is critical for providing
patients with prognoses and neurological monitoring. However, the performance
of CNN-based segmentation methods is constrained by the limited training set
size. Advanced data augmentation is an effective strategy to improve the
model's robustness. However, they often introduce intensity disparities between
foreground and background areas and boundary artifacts, which weakens the
effectiveness of such strategies. In this paper, we propose a foreground
harmonization framework (ARHNet) to tackle intensity disparities and make
synthetic images look more realistic. In particular, we propose an Adaptive
Region Harmonization (ARH) module to dynamically align foreground feature maps
to the background with an attention mechanism. We demonstrate the efficacy of
our method in improving the segmentation performance using real and synthetic
images. Experimental results on the ATLAS 2.0 dataset show that ARHNet
outperforms other methods for image harmonization tasks, and boosts the
down-stream segmentation performance. Our code is publicly available at
https://github.com/King-HAW/ARHNet.
- Abstract(参考訳): MRIスキャンにおける脳病変の正確なセグメンテーションは、予後と神経学的モニタリングを患者に提供するために重要である。
しかしながら、cnnに基づくセグメンテーション手法の性能は、限られたトレーニングセットサイズによって制限される。
高度なデータ拡張は、モデルの堅牢性を改善する効果的な戦略である。
しかし、しばしば前景と背景地域と境界アーティファクトの強度格差を導入し、そのような戦略の有効性を弱める。
本稿では,高強度差に対処し,合成画像をよりリアルに見せるための前景調和フレームワーク(ARHNet)を提案する。
特に,アダプティブ領域調和 (ARH) モジュールを提案する。
実画像と合成画像を用いたセグメンテーション性能の向上に本手法の有効性を実証する。
ATLAS 2.0データセットの実験結果は、ARHNetが画像調和タスクの他の手法よりも優れており、下流セグメンテーション性能が向上していることを示している。
私たちのコードはhttps://github.com/King-HAW/ARHNet.comで公開されています。
関連論文リスト
- Rotated Multi-Scale Interaction Network for Referring Remote Sensing
Image Segmentation [66.31941110777734]
Referring Remote Sensing Image (RRSIS)は、コンピュータビジョンと自然言語処理を組み合わせた新しい課題である。
従来の参照画像(RIS)アプローチは、空中画像に見られる複雑な空間スケールと向きによって妨げられている。
本稿ではRMSIN(Rotated Multi-Scale Interaction Network)を紹介する。
論文 参考訳(メタデータ) (2023-12-19T08:14:14Z) - DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image
Enhancement [77.0360085530701]
水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。
従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。
提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
論文 参考訳(メタデータ) (2023-12-12T06:07:21Z) - Multi-Dimensional Refinement Graph Convolutional Network with Robust
Decouple Loss for Fine-Grained Skeleton-Based Action Recognition [19.031036881780107]
本稿では,CVSTA(Channel-Variable Space-Temporal Attention)と呼ばれるフレキシブルアテンションブロックを提案する。
CVSTAに基づくMDR-GCN(Multi-dimensional Refinement Graph Convolutional Network)を構築し,チャネルレベル,ジョイントレベル,フレームレベルの特徴の識別を改善する。
さらに,CVSTAの効果を著しく向上し,騒音の影響を低減させるロバスト・デデュプル・ロス(RDL)を提案する。
論文 参考訳(メタデータ) (2023-06-27T09:23:36Z) - IDA: Informed Domain Adaptive Semantic Segmentation [51.12107564372869]
クラスレベルのセグメンテーション性能に基づいてデータを混合する自己学習フレームワークであるDomain Informed Adaptation (IDA) モデルを提案する。
IDAモデルでは、クラスレベルの性能を期待信頼スコア(ECS)によって追跡し、動的スケジュールを用いて異なる領域のデータに対する混合比を決定する。
提案手法は,GTA-Vの都市景観への適応において1.1 mIoU,SynTHIAの都市への適応において0.9 mIoUのマージンで,最先端のUDA-SS法よりも優れる。
論文 参考訳(メタデータ) (2023-03-05T18:16:34Z) - Brain tumor grade classification Using LSTM Neural Networks with Domain
Pre-Transforms [0.0]
本稿では,手工芸品の組み合わせに基づく弱教師付き画像分類手法を提案する。
本研究では,脳腫瘍のグレードを実験的に分類し,256 x 256の解像度で術式の評価を行った。
論文 参考訳(メタデータ) (2021-06-21T07:04:52Z) - Adversarial Feature Augmentation and Normalization for Visual
Recognition [109.6834687220478]
最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。
本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。
代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
論文 参考訳(メタデータ) (2021-03-22T20:36:34Z) - Boosting Segmentation Performance across datasets using histogram
specification with application to pelvic bone segmentation [1.3750624267664155]
限られたデータで訓練されたネットワークの性能を高めるために,画像のトーン分布の変調と深層学習に基づく手法を提案する。
セグメンテーションタスクは、拡張BCE-IoU損失関数を使用して最適化されたEfficientNet-B0バックボーンを備えたU-Net構成を使用します。
論文 参考訳(メタデータ) (2021-01-26T23:48:40Z) - InfoMax-GAN: Improved Adversarial Image Generation via Information
Maximization and Contrastive Learning [39.316605441868944]
GAN(Generative Adversarial Networks)は、多くのジェネレーティブモデリングアプリケーションの基本である。
本稿では,GANにおける2つの基本的な問題を同時に緩和する基本的枠組みを提案する。
提案手法は, 5つのデータセットにわたる画像合成において, GANトレーニングを著しく安定化し, GAN性能を向上させる。
論文 参考訳(メタデータ) (2020-07-09T06:56:11Z) - 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。