論文の概要: ADASSM: Adversarial Data Augmentation in Statistical Shape Models From
Images
- arxiv url: http://arxiv.org/abs/2307.03273v3
- Date: Mon, 21 Aug 2023 22:39:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-23 14:36:44.490628
- Title: ADASSM: Adversarial Data Augmentation in Statistical Shape Models From
Images
- Title(参考訳): ADASSM:画像からの統計的形状モデルにおける逆データ拡張
- Authors: Mokshagna Sai Teja Karanam, Tushar Kataria, Krithika Iyer and Shireen
Elhabian
- Abstract要約: 本稿では,データ依存型ノイズ生成やテクスチャ拡張を利用して,画像間SSMフレームワークのオンザフライデータ拡張のための新しい戦略を提案する。
提案手法は,画素値のみに頼らず,基礎となる幾何学に焦点をあてることにより,精度の向上を実現する。
- 参考スコア(独自算出の注目度): 0.8192907805418583
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Statistical shape models (SSM) have been well-established as an excellent
tool for identifying variations in the morphology of anatomy across the
underlying population. Shape models use consistent shape representation across
all the samples in a given cohort, which helps to compare shapes and identify
the variations that can detect pathologies and help in formulating treatment
plans. In medical imaging, computing these shape representations from CT/MRI
scans requires time-intensive preprocessing operations, including but not
limited to anatomy segmentation annotations, registration, and texture
denoising. Deep learning models have demonstrated exceptional capabilities in
learning shape representations directly from volumetric images, giving rise to
highly effective and efficient Image-to-SSM networks. Nevertheless, these
models are data-hungry and due to the limited availability of medical data,
deep learning models tend to overfit. Offline data augmentation techniques,
that use kernel density estimation based (KDE) methods for generating
shape-augmented samples, have successfully aided Image-to-SSM networks in
achieving comparable accuracy to traditional SSM methods. However, these
augmentation methods focus on shape augmentation, whereas deep learning models
exhibit image-based texture bias resulting in sub-optimal models. This paper
introduces a novel strategy for on-the-fly data augmentation for the
Image-to-SSM framework by leveraging data-dependent noise generation or texture
augmentation. The proposed framework is trained as an adversary to the
Image-to-SSM network, augmenting diverse and challenging noisy samples. Our
approach achieves improved accuracy by encouraging the model to focus on the
underlying geometry rather than relying solely on pixel values.
- Abstract(参考訳): 統計的形状モデル (SSM) は, 個体群全体の解剖学的変化を識別するための優れたツールとして確立されている。
形状モデルは、与えられたコホート内のすべてのサンプルに対して一貫した形状表現を使用し、形状を比較し、病理を検出できるバリエーションを特定し、治療計画を定式化するのに役立ちます。
医用画像では、これらの形状表現をCT/MRIスキャンから計算するには、解剖学的セグメンテーションアノテーション、登録、テクスチャデノイングを含む時間集約的な前処理操作が必要となる。
深層学習モデルは、体積画像から直接形状表現を学習する際、例外的な能力を示し、高効率で効率的な画像-SSMネットワークを生み出している。
それでもこれらのモデルはデータ不足であり、医療データの入手が限られているため、ディープラーニングモデルは過度に適合する傾向にある。
形状拡張されたサンプルを生成するためにカーネル密度推定(KDE)法を用いるオフラインデータ拡張技術は、従来のSSM法と同等の精度で画像からSSMネットワークを支援することに成功した。
しかし,これらの拡張手法は形状向上に重点を置いているのに対し,深層学習モデルは画像に基づくテクスチャバイアスを示し,準最適モデルとなる。
本稿では,データ依存型ノイズ生成やテクスチャ拡張を利用して,画像間SSMフレームワークのオンザフライデータ拡張のための新しい戦略を提案する。
提案するフレームワークは,画像対ssmネットワークの敵として訓練され,多様で難解なサンプルを補完する。
提案手法は,画素値のみに頼らず,基礎となる幾何学に焦点をあてることにより,精度の向上を実現する。
関連論文リスト
- Progressive DeepSSM: Training Methodology for Image-To-Shape Deep Models [4.972323953932128]
本稿では,画像から画像への深層学習モデルをトレーニングするための新しいトレーニング戦略であるプログレッシブディープSSMを提案する。
セグメンテーション誘導型マルチタスク学習を通じて形状先を活用でき、各スケールでの学習を確保するために深い監視損失を生かす。
実験は、定量的および定性的な観点から提案された戦略によって訓練されたモデルの優越性を示す。
論文 参考訳(メタデータ) (2023-10-02T18:17:20Z) - Image2SSM: Reimagining Statistical Shape Models from Images with Radial
Basis Functions [4.422330219605964]
統計的形状モデリングのための新しい深層学習手法であるImage2SSMを提案する。
Image2SSMは、画像から直接形状の放射基底関数(RBF)に基づく表現を学習する。
解剖学的形状のアンサンブルの統計的ランドマークに基づく形状モデルを構築することにより、生物学的構造の個体群を特徴付けることができる。
論文 参考訳(メタデータ) (2023-05-19T18:08:10Z) - Mesh2SSM: From Surface Meshes to Statistical Shape Models of Anatomy [0.0]
我々は、教師なしの置換不変表現学習を利用して、テンプレートポイントクラウドを主題固有のメッシュに変形する方法を推定する新しいアプローチであるMesh2SSMを提案する。
Mesh2SSMは集団固有のテンプレートも学習でき、テンプレート選択によるバイアスを低減できる。
論文 参考訳(メタデータ) (2023-05-13T00:03:59Z) - DeepSSM: A Blueprint for Image-to-Shape Deep Learning Models [4.608133071225539]
統計的形状モデリング(SSM)は、医学画像から生成される形状の個体群における解剖学的変異を特徴付ける。
DeepSSMは、ディープラーニングベースのイメージ・トゥ・シェイプモデルのための青写真を提供することを目指している。
論文 参考訳(メタデータ) (2021-10-14T04:52:37Z) - Deep Implicit Statistical Shape Models for 3D Medical Image Delineation [47.78425002879612]
解剖学的構造の3次元デライン化は、医用画像解析の基本的な目標である。
ディープラーニング以前は、解剖学的制約を課し高品質の表面を作り出す統計的形状モデルはコア技術だった。
我々は,CNNの表現力とSSMの頑健さを合体させるデライン化の新しい手法であるディープ暗黙的統計的形状モデル(DISSMs)を提案する。
論文 参考訳(メタデータ) (2021-04-07T01:15:06Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z) - Benchmarking off-the-shelf statistical shape modeling tools in clinical
applications [53.47202621511081]
我々は、広く使われている最先端のSSMツールの結果を体系的に評価する。
解剖学的ランドマーク/計測推測および病変スクリーニングのための検証フレームワークを提案する。
ShapeWorks と Deformetrica の形状モデルは臨床的に関連する集団レベルの変動を捉えている。
論文 参考訳(メタデータ) (2020-09-07T03:51:35Z) - Uncertain-DeepSSM: From Images to Probabilistic Shape Models [0.0]
DeepSSMは、非セグメント画像から直接統計的形状表現を抽出するエンドツーエンドのディープラーニングアプローチである。
DeepSSMは、視覚的に正確には仮定できないような、不確実な形状の推定を生成する。
本研究では,ネットワークを適応させて固有入力分散を予測することにより,データ依存型アレータティック不確実性の両方を定量化する統一モデルとして,Uncertain-DeepSSMを提案する。
論文 参考訳(メタデータ) (2020-07-13T17:18:21Z) - Modelling the Distribution of 3D Brain MRI using a 2D Slice VAE [66.63629641650572]
本研究では,2次元スライスVAEとガウスモデルを組み合わせた3次元MR脳の体積分布をモデル化する手法を提案する。
また,本研究では,脳解剖学に適合するセグメンテーションの精度を定量的に評価する新たなボリューム評価手法を提案する。
論文 参考訳(メタデータ) (2020-07-09T13:23:15Z) - Learning Deformable Image Registration from Optimization: Perspective,
Modules, Bilevel Training and Beyond [62.730497582218284]
マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。
我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
論文 参考訳(メタデータ) (2020-04-30T03:23:45Z) - 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。