論文の概要: Domain Adaptation using Silver Standard Masks for Lateral Ventricle Segmentation in FLAIR MRI

• arxiv url: http://arxiv.org/abs/2307.08456v1
• Date: Mon, 17 Jul 2023 12:57:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-18 13:26:38.599626
• Title: Domain Adaptation using Silver Standard Masks for Lateral Ventricle Segmentation in FLAIR MRI
• Title（参考訳）: FLAIR MRIにおける側室分節に対する銀標準マスクを用いた領域適応
• Authors: Owen Crystal, Pejman J. Maralani, Sandra Black, Alan R. Moody, April Khademi
• Abstract要約: 流体減衰インバージョンリカバリ(FLAIR)MRIにおける第1回トランスファーラーニングに基づくLVVセグメンテーション法を提案する。 4つのデータセットから保持されたテストセットで4つのモデルがテストされた。
• 参考スコア（独自算出の注目度）: 0.05219568203653523
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Lateral ventricular volume (LVV) is an important biomarker for clinical investigation. We present the first transfer learning-based LVV segmentation method for fluid-attenuated inversion recovery (FLAIR) MRI. To mitigate covariate shifts between source and target domains, this work proposes an domain adaptation method that optimizes performance on three target datasets. Silver standard (SS) masks were generated from the target domain using a novel conventional image processing ventricular segmentation algorithm and used to supplement the gold standard (GS) data from the source domain, Canadian Atherosclerosis Imaging Network (CAIN). Four models were tested on held-out test sets from four datasets: 1) SS+GS: trained on target SS masks and fine-tuned on source GS masks, 2) GS+SS: trained on source GS masks and fine-tuned on target SS masks, 3) trained on source GS (GS CAIN Only) and 4) trained on target SS masks (SS Only). The SS+GS model had the best and most consistent performance (mean DSC = 0.89, CoV = 0.05) and showed significantly (p < 0.05) higher DSC compared to the GS-only model on three target domains. Results suggest pre-training with noisy labels from the target domain allows the model to adapt to the dataset-specific characteristics and provides robust parameter initialization while fine-tuning with GS masks allows the model to learn detailed features. This method has wide application to other medical imaging problems where labeled data is scarce, and can be used as a per-dataset calibration method to accelerate wide-scale adoption.
• Abstract（参考訳）: 側室容積 (LVV) は臨床検査において重要なバイオマーカーである。 流体減衰インバージョンリカバリ(FLAIR)MRIにおける第1回移動学習に基づくLVVセグメンテーション法を提案する。 ソースドメインとターゲットドメイン間の共変を緩和するために,3つのターゲットデータセットのパフォーマンスを最適化するドメイン適応手法を提案する。 新規な画像処理心室分離アルゴリズムを用いてターゲット領域から銀標準(SS)マスクを生成し,ソース領域であるCAIN(Canadian Atherosclerosis Imaging Network)からの金標準(GS)データを補うために使用した。 4つのデータセットのホールドアウトテストセットで4つのモデルがテストされた。 1)SS+GS:ターゲットSSマスクで訓練され、ソースGSマスクで微調整される。 2)GS+SS:ソースGSマスクで訓練され、ターゲットSSマスクで微調整される。 3)ソースGS(GS CAINのみ)およびトレーニング 4) ターゲットSSマスク(SSのみ)で訓練した。 SS+GSモデルは最高で一貫した性能(DSC = 0.89, CoV = 0.05)を持ち、3つのターゲット領域におけるGSのみのモデルと比較して、DSCよりも有意に高い(p < 0.05)。 対象領域からのノイズラベルによる事前トレーニングにより,モデルがデータセット固有の特性に適応し,頑健なパラメータ初期化を実現すると同時に,gsマスクによる微調整によって詳細な特徴の学習が可能になる。 この方法はラベル付きデータが少ない他の医療画像問題にも広く応用でき、データセット毎のキャリブレーション法として利用することで、広範に採用を加速することができる。

関連論文リスト

• Bridge the Points: Graph-based Few-shot Segment Anything Semantically [79.1519244940518]
  プレトレーニング技術の最近の進歩により、視覚基礎モデルの能力が向上した。 最近の研究はSAMをFew-shot Semantic segmentation (FSS)に拡張している。 本稿では,グラフ解析に基づく簡易かつ効果的な手法を提案する。
  論文  参考訳（メタデータ） (2024-10-09T15:02:28Z)
• S4DL: Shift-sensitive Spatial-Spectral Disentangling Learning for Hyperspectral Image Unsupervised Domain Adaptation [73.90209847296839]
  ハイパースペクトル画像(HSI)分類において広く研究されている教師なし領域適応技術は、ラベル付きソースドメインデータとラベルなしターゲットドメインデータを使用することを目的としている。 シフト感応型空間スペクトル遠方学習(S4DL)手法を提案する。 いくつかのクロスステージなHSIデータセットの実験は、S4DLが最先端のUDA法よりも優れていることを一貫して検証した。
  論文  参考訳（メタデータ） (2024-08-11T15:58:24Z)
• A Review and Implementation of Object Detection Models and Optimizations for Real-time Medical Mask Detection during the COVID-19 Pandemic [0.0]
  この研究は、Common Objects in Context(COCO)データセット上で最も基本的なオブジェクト検出モデルを評価する。 我々は、医療マスクを用いた人間の顔の話題的、未探索のデータセットをトレーニングするために、YOLOv5と呼ばれる非常に効率的なモデルを選択した。 医療用マスクの正確な検出に移動学習を用いたYOLOv5に基づく最適化モデルを提案する。
  論文  参考訳（メタデータ） (2024-05-28T17:27:24Z)
• Pathological Primitive Segmentation Based on Visual Foundation Model with Zero-Shot Mask Generation [3.5177988631063486]
  本稿では,SAMの学習済み自然画像エンコーダを検出ベース領域提案に適用する手法を提案する。 SAMというベースフレームワーク全体は、追加のトレーニングや微調整を必要としないが、病理学における2つの基本的なセグメンテーションタスクに対してエンドツーエンドの結果をもたらす可能性がある。
  論文  参考訳（メタデータ） (2024-04-12T16:29:49Z)
• Domain Adaptation using Silver Standard Labels for Ki-67 Scoring in Digital Pathology: A Step Closer to Widescale Deployment [3.1796396749012676]
  本研究は,ゴールド・スタンダード (GS) ソース・ドメイン・データの拡張に使用される銀標準 (pseudo) ラベルを対象ドメインに生成するフレームワークを提案する。 提案するパイプラインは,手動のアノテーションを使わずに対象の分布を効率よく学習する方法を提供する。
  論文  参考訳（メタデータ） (2023-07-08T01:23:36Z)
• 3DSAM-adapter: Holistic adaptation of SAM from 2D to 3D for promptable tumor segmentation [52.699139151447945]
  医用画像の領域分割を行うために, SAMを2次元から3次元に変換する新しい適応法を提案する。 本モデルでは, 腎腫瘍, 膵腫瘍, 大腸癌の3つのタスクのうち8.25%, 29.87%, 10.11%の3つのタスクにおいて, ドメイン・オブ・ザ・アーティヴ・メディカル・イメージ・セグメンテーション・モデルより優れ, 肝腫瘍セグメンテーションでも同様の性能が得られる。
  論文  参考訳（メタデータ） (2023-06-23T12:09:52Z)
• Stacking Ensemble Learning in Deep Domain Adaptation for Ophthalmic Image Classification [61.656149405657246]
  ドメイン適応は、十分なラベルデータを取得することが困難な画像分類タスクに有効である。 本稿では,3つのドメイン適応手法を拡張することで,アンサンブル学習を積み重ねるための新しい手法SELDAを提案する。 Age-Related Eye Disease Study (AREDS)ベンチマーク眼科データセットを用いた実験結果から,提案モデルの有効性が示された。
  論文  参考訳（メタデータ） (2022-09-27T14:19:00Z)
• Calibrated Hyperspectral Image Reconstruction via Graph-based Self-Tuning Network [40.71031760929464]
  ハイパースペクトルイメージング(HSI)は、特に符号化スナップショット分光イメージング(CASSI)システムに基づく画像に対して、研究の注目を集めている。 既存の深いHSI再構成モデルは、CASSIの特定の光学ハードウェアマスクが与える2次元圧縮計測に基づいて元の信号を取得するために、ペアデータで訓練される。 このマスク固有のトレーニングスタイルは、ハードウェアの誤校正問題を引き起こし、異なるハードウェアとノイズの多い環境間で深いHSIモデルをデプロイする障壁を設定できる。 マスクの空間構造の変化に適応する不確実性を推論するグラフベース自己調整(GST)ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-12-31T09:39:13Z)
• TransRPPG: Remote Photoplethysmography Transformer for 3D Mask Face Presentation Attack Detection [53.98866801690342]
  3次元マスク提示攻撃検出(PAD)は、3次元マスク攻撃から顔認識システムを保護する上で重要な役割を担っている。 ライブ本質表現を効率的に学習するための純粋なrトランス(TransR)フレームワークを提案する。 当社のTransRは軽量で効率的(547Kパラメータと763MOPのみ)で、モバイルレベルのアプリケーションに期待できる。
  論文  参考訳（メタデータ） (2021-04-15T12:33:13Z)
• Hyperspectral Classification Based on Lightweight 3-D-CNN With Transfer Learning [67.40866334083941]
  限定サンプルに基づくHSI分類のためのエンドツーエンドの3次元軽量畳み込みニューラルネットワーク(CNN)を提案する。 従来の3D-CNNモデルと比較して,提案した3D-LWNetはネットワーク構造が深く,パラメータが小さく,計算コストも低い。 本モデルでは,HSI分類の競合性能を,いくつかの最先端手法と比較した。
  論文  参考訳（メタデータ） (2020-12-07T03:44:35Z)

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。