論文の概要: Source-Free Domain Adaptation for Medical Image Segmentation via
Prototype-Anchored Feature Alignment and Contrastive Learning
- arxiv url: http://arxiv.org/abs/2307.09769v1
- Date: Wed, 19 Jul 2023 06:07:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-20 15:17:40.070593
- Title: Source-Free Domain Adaptation for Medical Image Segmentation via
Prototype-Anchored Feature Alignment and Contrastive Learning
- Title（参考訳）: プロトタイプ・アンコレード特徴アライメントとコントラスト学習による医用画像セグメンテーションのためのソースフリー領域適応
- Authors: Qinji Yu, Nan Xi, Junsong Yuan, Ziyu Zhou, Kang Dang, Xiaowei Ding
- Abstract要約: 医用画像セグメンテーションのための2段階のソースフリードメイン適応(SFDA)フレームワークを提案する。
プロトタイプアンコールされた特徴アライメントの段階では,まず,事前学習した画素ワイド分類器の重みを原プロトタイプとして利用する。
そこで,本研究では,目標となる特徴とクラスプロトタイプとの整合性を期待するコストを最小化し,双方向輸送を導入する。
- 参考スコア（独自算出の注目度）: 57.43322536718131
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Unsupervised domain adaptation (UDA) has increasingly gained interests for
its capacity to transfer the knowledge learned from a labeled source domain to
an unlabeled target domain. However, typical UDA methods require concurrent
access to both the source and target domain data, which largely limits its
application in medical scenarios where source data is often unavailable due to
privacy concern. To tackle the source data-absent problem, we present a novel
two-stage source-free domain adaptation (SFDA) framework for medical image
segmentation, where only a well-trained source segmentation model and unlabeled
target data are available during domain adaptation. Specifically, in the
prototype-anchored feature alignment stage, we first utilize the weights of the
pre-trained pixel-wise classifier as source prototypes, which preserve the
information of source features. Then, we introduce the bi-directional transport
to align the target features with class prototypes by minimizing its expected
cost. On top of that, a contrastive learning stage is further devised to
utilize those pixels with unreliable predictions for a more compact target
feature distribution. Extensive experiments on a cross-modality medical
segmentation task demonstrate the superiority of our method in large domain
discrepancy settings compared with the state-of-the-art SFDA approaches and
even some UDA methods. Code is available at
https://github.com/CSCYQJ/MICCAI23-ProtoContra-SFDA.
- Abstract（参考訳）: 非教師なしドメイン適応(UDA)は、ラベル付きソースドメインから未ラベルのターゲットドメインに学習した知識を転送する能力に対する関心が高まっている。
しかし、典型的なUDAメソッドは、ソースデータとターゲットドメインデータの両方に同時アクセスする必要がある。
そこで本研究では,医療画像セグメンテーションのための2段階のソースフリードメイン適応(sfda)フレームワークを提案する。
具体的には,まず,事前学習した画素別分類器の重みを原点のプロトタイプとして活用し,原点の情報を保存した。
次に,目標機能とクラスプロトタイプを整合させるための双方向トランスポートについて,その期待コストを最小化することで紹介する。
それに加えて、よりコンパクトな目標特徴分布のために、信頼できない予測でこれらの画素を利用するために、対照的な学習段階がさらに考案される。
クロスモダリティ・メディカルセグメンテーション・タスクにおける広範囲な実験は、最先端のFDAアプローチやUDA手法と比較して、大きなドメイン不一致設定における我々の方法の優位性を実証している。
コードはhttps://github.com/CSCYQJ/MICCAI23-ProtoContra-SFDAで入手できる。
関連論文リスト
- Robust Source-Free Domain Adaptation for Fundus Image Segmentation [3.585032903685044]
Unlabelled Domain Adaptation (UDA)は、ラベル付きデータから学習した知識を、未ラベルデータのみを使用してターゲットドメインに転送する学習技術である。
本研究では,ロバストドメイン適応のための2段階トレーニングステージを提案する。
本稿では,ラベルのないターゲットデータを有効利用して擬似ラベルと擬似境界を生成する,ロバストな擬似ラベルと擬似境界(PLPB)手法を提案する。
論文 参考訳（メタデータ） (2023-10-25T14:25:18Z) - Spatio-Temporal Pixel-Level Contrastive Learning-based Source-Free
Domain Adaptation for Video Semantic Segmentation [117.39092621796753]
Source Domain Adaptation(SFDA)セットアップは、ソースデータにアクセスすることなく、ターゲットドメインにソーストレーニングされたモデルを適用することを目的としている。
情報源データの欠如に対処するために,時間情報の相関を最大限に活用する新しい手法を提案する。
実験によると、PixelLは現在のUDAやFDAのアプローチと比較して、ベンチマークの非最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2023-03-25T05:06:23Z) - 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) - Unsupervised Model Adaptation for Source-free Segmentation of Medical
Images [15.820660013260584]
教師なし領域適応(Unsupervised domain adapt, UDA)は、対象領域のイメージのラベル付けの必要性に対処するために用いられる。
ほとんどのUDAアプローチは、共有ソース/ターゲット潜在機能空間を作成することで、ターゲットの一般化を保証する。
本稿では,適応時にソースデータにアクセスする必要がなく,患者データのプライバシを維持することができる医用画像分割のためのUDAアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-11-02T01:01:19Z) - Source-Free Unsupervised Domain Adaptation with Norm and Shape
Constraints for Medical Image Segmentation [0.12183405753834559]
医用画像セグメンテーションのための非教師なし領域適応法(SFUDA)を提案する。
エントロピー最小化法に加えて、ターゲット領域における特徴ノルムを回避する損失関数を導入する。
提案手法は,すべてのデータセットにおいて最先端の手法より優れている。
論文 参考訳（メタデータ） (2022-09-03T00:16:39Z) - Source-Free Domain Adaptation via Distribution Estimation [106.48277721860036]
ドメイン適応は、ラベル付きソースドメインから学んだ知識を、データ分散が異なるラベル付きターゲットドメインに転送することを目的としています。
近年,ソースフリードメイン適応 (Source-Free Domain Adaptation, SFDA) が注目されている。
本研究では,SFDA-DEと呼ばれる新しいフレームワークを提案し,ソース分布推定によるSFDAタスクに対処する。
論文 参考訳（メタデータ） (2022-04-24T12:22:19Z) - Domain-Agnostic Prior for Transfer Semantic Segmentation [197.9378107222422]
教師なしドメイン適応(UDA)はコンピュータビジョンコミュニティにおいて重要なトピックである。
ドメインに依存しない事前学習(DAP)を用いてドメイン間表現学習を規則化する機構を提案する。
我々の研究は、UDAがより良いプロキシ、おそらく他のデータモダリティの恩恵を受けていることを明らかにしている。
論文 参考訳（メタデータ） (2022-04-06T09:13:25Z) - Target and Task specific Source-Free Domain Adaptive Image Segmentation [73.78898054277538]
ソースフリー領域適応画像分割のための2段階のアプローチを提案する。
我々は,高エントロピー領域を抑えつつ,ターゲット固有の擬似ラベルを生成することに注力する。
第2段階では、タスク固有の表現にネットワークを適用することに重点を置いている。
論文 参考訳（メタデータ） (2022-03-29T17:50:22Z) - UMAD: Universal Model Adaptation under Domain and Category Shift [138.12678159620248]
Universal Model Adaptation (UMAD)フレームワークは、ソースデータにアクセスせずに両方のUDAシナリオを処理する。
未知のサンプルと未知のサンプルを識別するのに役立つ情報整合性スコアを開発した。
オープンセットおよびオープンパーティルセット UDA シナリオの実験では、UMAD が最先端のデータ依存手法に匹敵する性能を示した。
論文 参考訳（メタデータ） (2021-12-16T01:22:59Z)
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。