論文の概要: SL: Stable Learning in Source-Free Domain Adaption for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2307.12580v1
• Date: Mon, 24 Jul 2023 07:51:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-25 15:11:32.389312
• Title: SL: Stable Learning in Source-Free Domain Adaption for Medical Image Segmentation
• Title（参考訳）: SL: 医用画像分割のためのソースフリードメイン適応の安定学習
• Authors: Yixin Chen, Yan Wang
• Abstract要約: 医用画像解析のためのディープラーニング技術は、通常、ソースデータとターゲットデータの間の領域シフトに悩まされる。 ジレンマに対処するための安定学習(SL)戦略を提案する。 SLは拡張性のある手法であり、ウェイト・コンソリデーションとエントロピー・ライジングからなる他の研究と統合することができる。
• 参考スコア（独自算出の注目度）: 36.873749134434775
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning techniques for medical image analysis usually suffer from the domain shift between source and target data. Most existing works focus on unsupervised domain adaptation (UDA). However, in practical applications, privacy issues are much more severe. For example, the data of different hospitals have domain shifts due to equipment problems, and data of the two domains cannot be available simultaneously because of privacy. In this challenge defined as Source-Free UDA, the previous UDA medical methods are limited. Although a variety of medical source-free unsupervised domain adaption (MSFUDA) methods have been proposed, we found they fall into an over-fitting dilemma called "longer training, worse performance." Therefore, we propose the Stable Learning (SL) strategy to address the dilemma. SL is a scalable method and can be integrated with other research, which consists of Weight Consolidation and Entropy Increase. First, we apply Weight Consolidation to retain domain-invariant knowledge and then we design Entropy Increase to avoid over-learning. Comparative experiments prove the effectiveness of SL. We also have done extensive ablation experiments. Besides, We will release codes including a variety of MSFUDA methods.
• Abstract（参考訳）: 医用画像解析のためのディープラーニング技術は通常、ソースとターゲットデータのドメインシフトに悩まされる。 現存するほとんどの研究は、教師なしドメイン適応(UDA)に焦点を当てている。 しかし、現実的なアプリケーションでは、プライバシーの問題はずっと深刻です。 例えば、異なる病院のデータには機器の問題によるドメインシフトがあり、プライバシーのために2つのドメインのデータを同時に利用することはできない。 ソースフリーUDAとして定義されたこの課題では、以前のUDA医療手法は限られている。 様々な医学的根拠のない非教師なしドメイン適応法(MSFUDA)が提案されているが、「より長いトレーニング、より悪いパフォーマンス」と呼ばれる過度なジレンマに陥ることが判明した。 そこで我々は,このジレンマに対処するための安定学習戦略を提案する。 SLはスケーラブルな手法であり、軽量化とエントロピー増加からなる他の研究と統合することができる。 まず、ドメイン不変知識を維持するために重み統合を適用し、過剰学習を避けるためにエントロピー増加を設計する。 比較実験によりSLの有効性が証明された。 また、広範囲にわたるアブレーション実験を行った。 さらに、様々なMSFUDAメソッドを含むコードもリリースします。

関連論文リスト

• Source-Free Domain Adaptation for Medical Image Segmentation via Prototype-Anchored Feature Alignment and Contrastive Learning [57.43322536718131]
  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。
  論文  参考訳（メタデータ） (2023-07-19T06:07:12Z)
• Curriculum-Based Augmented Fourier Domain Adaptation for Robust Medical Image Segmentation [18.830738606514736]
  本研究は、堅牢な医用画像分割のためのカリキュラムベースの拡張フーリエドメイン適応(Curri-AFDA)を提案する。 特に、カリキュラム学習戦略は、異なるレベルのデータシフトの下でのモデルの因果関係に基づいている。 複数のサイトやスキャナーから収集した網膜と核の2つのセグメンテーションタスクの実験から,提案手法が優れた適応と一般化性能をもたらすことが示唆された。
  論文  参考訳（メタデータ） (2023-06-06T08:56:58Z)
• 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)
• 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)
• FedMed-ATL: Misaligned Unpaired Brain Image Synthesis via Affine Transform Loss [58.58979566599889]
  脳画像合成のための新しい自己教師型学習(FedMed)を提案する。 アフィン変換損失(ATL)は、プライバシー法に違反することなく、ひどく歪んだ画像を使用するように定式化された。 提案手法は, 極めて不整合かつ不整合なデータ設定下での合成結果の品質の両方において, 高度な性能を示す。
  論文  参考訳（メタデータ） (2022-01-29T13:45:39Z)
• FedMed-GAN: Federated Domain Translation on Unsupervised Cross-Modality Brain Image Synthesis [55.939957482776194]
  我々は、教師なし脳画像合成におけるフェデレートドメイン翻訳のための新しいベンチマーク(FedMed-GAN)を提案する。 FedMed-GANは発電機の性能を犠牲にすることなくモード崩壊を緩和する。 FedMed-GANと他の集中型手法を比較するための総合的な評価を提供する。
  論文  参考訳（メタデータ） (2022-01-22T02:50:29Z)
• Source-Free Domain Adaptation for Image Segmentation [17.23158602100665]
  画像セグメンテーションのためのソースフリーなドメイン適応を導入する。 我々の定式化は、ターゲットドメインデータ上に定義されたラベルフリーエントロピー損失を最小化することに基づいている。 様々なドメイン適応シナリオにおいて,事前認識したエントロピー最小化の有効性を示す。
  論文  参考訳（メタデータ） (2021-08-06T14:56:31Z)
• Source-Relaxed Domain Adaptation for Image Segmentation [22.28746775804126]
  ドメイン適応(DA)は、ラベル付けされたソースデータに基づいてトレーニングされたモデルを適用し、ラベル付けされていないまたは弱いラベル付けされたターゲットデータでうまく機能する能力に対して、高い関心を集めている。 最も一般的なDA技術は、ソースとターゲットドメインの両方の入力画像への同時アクセスを必要とする。 このような制約を緩和するセグメンテーションネットワークを適応するための新しい定式化を提案する。
  論文  参考訳（メタデータ） (2020-05-07T18:46:01Z)
• Multi-source Domain Adaptation in the Deep Learning Era: A Systematic Survey [53.656086832255944]
  マルチソースドメイン適応(MDA)は、ラベル付きデータを複数のソースから収集できる強力な拡張である。 MDAは学術と産業の両方で注目を集めている。
  論文  参考訳（メタデータ） (2020-02-26T08:07:58Z)

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。