論文の概要: Cross-Dataset Adaptation for Instrument Classification in Cataract Surgery Videos

• arxiv url: http://arxiv.org/abs/2308.04035v1
• Date: Mon, 31 Jul 2023 18:14:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-14 00:28:13.638363
• Title: Cross-Dataset Adaptation for Instrument Classification in Cataract Surgery Videos
• Title（参考訳）: 白内障手術ビデオにおける機器分類のためのクロスデータセット適応
• Authors: Jay N. Paranjape, Shameema Sikder, Vishal M. Patel, S. Swaroop Vedula
• Abstract要約: 特定のデータセットでこのタスクをうまく実行する最先端モデルでは、別のデータセットでテストすると、パフォーマンスが低下する。 本稿では,Barlow Adaptorと呼ばれる新しいエンドツーエンドのUnsupervised Domain Adaptation (UDA)手法を提案する。 さらに,BFAL(Barlow Feature Alignment Loss)と呼ばれる,異なるドメインにまたがる特徴を整列させる新たな損失を導入する。
• 参考スコア（独自算出の注目度）: 54.1843419649895
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Surgical tool presence detection is an important part of the intra-operative and post-operative analysis of a surgery. State-of-the-art models, which perform this task well on a particular dataset, however, perform poorly when tested on another dataset. This occurs due to a significant domain shift between the datasets resulting from the use of different tools, sensors, data resolution etc. In this paper, we highlight this domain shift in the commonly performed cataract surgery and propose a novel end-to-end Unsupervised Domain Adaptation (UDA) method called the Barlow Adaptor that addresses the problem of distribution shift without requiring any labels from another domain. In addition, we introduce a novel loss called the Barlow Feature Alignment Loss (BFAL) which aligns features across different domains while reducing redundancy and the need for higher batch sizes, thus improving cross-dataset performance. The use of BFAL is a novel approach to address the challenge of domain shift in cataract surgery data. Extensive experiments are conducted on two cataract surgery datasets and it is shown that the proposed method outperforms the state-of-the-art UDA methods by 6%. The code can be found at https://github.com/JayParanjape/Barlow-Adaptor
• Abstract（参考訳）: 外科的ツール存在検出は手術の術中および術後分析において重要な部分である。 しかし、特定のデータセットでこのタスクをうまく実行する最先端モデルでは、他のデータセットでテストすると、パフォーマンスが低下する。 これは、異なるツール、センサー、データ解像度などを使用することによるデータセット間の大きなドメインシフトによって発生する。 本稿では, 白内障手術におけるこの領域シフトに注目し, 他の領域のラベルを必要とせず, 分布シフト問題に対処する新しいend-to-end unsupervised domain adapt (uda) 法を提案する。 さらに,バロー・フィーチャー・アライメント・ロス(BFAL)と呼ばれる新たな損失を導入し,冗長性を低減しつつ,高いバッチサイズの必要性を低減し,データセット間のパフォーマンスを向上させる。 BFALの使用は白内障手術データにおける領域シフトの課題に対処するための新しいアプローチである。 2つの白内障手術データセットに対して大規模な実験を行い、提案手法は最先端のUDA法を6%上回る性能を示した。 コードはhttps://github.com/JayParanjape/Barlow-Adaptorにある。

関連論文リスト

• Dual-Reference Source-Free Active Domain Adaptation for Nasopharyngeal Carcinoma Tumor Segmentation across Multiple Hospitals [9.845637899896365]
  鼻咽頭癌(Nasopharyngeal carcinoma, NPC)は頭頸部の悪性腫瘍である。 本稿では,Gross tumor Volume (GTV)セグメンテーションタスクの領域適応を容易にするために,新しい Sourece-Free Active Domain Adaptation (SFADA) フレームワークを提案する。 5つの病院から1057人のNPC患者からなる大規模臨床データセットを収集し,そのアプローチを検証した。
  論文  参考訳（メタデータ） (2023-09-23T15:26:27Z)
• 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)
• Semantic segmentation of surgical hyperspectral images under geometric domain shifts [69.91792194237212]
  本稿では、幾何学的アウト・オブ・ディストリビューション(OOD)データの存在下で、最先端のセマンティックセグメンテーションネットワークを初めて分析する。 有機移植(Organ transplantation)と呼ばれる専用の拡張技術により、一般化可能性にも対処する。 提案手法は,SOA DSCの最大67 % (RGB) と90% (HSI) を改善し,実際のOODテストデータ上での分配内性能と同等の性能を示す。
  論文  参考訳（メタデータ） (2023-03-20T09:50:07Z)
• SUPRA: Superpixel Guided Loss for Improved Multi-modal Segmentation in Endoscopy [1.1470070927586016]
  ドメインシフトは医療画像コミュニティでよく知られた問題である。 本稿では,そのようなシナリオでDL手法が利用可能となるための領域一般化手法について検討する。 その結果,本手法では,ベースラインに比べて目標領域の20%近くの改善が得られた。
  論文  参考訳（メタデータ） (2022-11-09T03:13:59Z)
• Dispensed Transformer Network for Unsupervised Domain Adaptation [21.256375606219073]
  本稿では,新しい非教師付き領域適応 (UDA) 方式であるディスペンデントトランスフォーマーネットワーク (DTNet) について述べる。 提案するネットワークは,いくつかの最先端技術と比較して,最高の性能を実現している。
  論文  参考訳（メタデータ） (2021-10-28T08:27:44Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• Class-Incremental Domain Adaptation with Smoothing and Calibration for Surgical Report Generation [12.757176743817277]
  本稿では,ロボット手術時の手術報告を生成するために,対象領域の新たなクラスとドメインシフトに取り組むためのクラスインクリメンタルドメイン適応(CIDA)を提案する。 抽出した特徴からキャプションを生成するために、一次元ガウス平滑化(CBS)によるカリキュラムを多層トランスを用いたキャプション予測モデルに統合する。 我々は,領域不変な特徴学習とよく校正されたネットワークが,ソース領域とターゲット領域の両方で手術報告生成性能を向上させることを観察する。
  論文  参考訳（メタデータ） (2021-07-23T09:08:26Z)
• Co-Generation and Segmentation for Generalized Surgical Instrument Segmentation on Unlabelled Data [49.419268399590045]
  正確な機器追跡と拡張現実オーバーレイには、ロボット支援手術のための外科用機器セグメンテーションが必要です。 深層学習法では手術器具のセグメンテーションに最先端のパフォーマンスが示されたが,結果はラベル付きデータに依存する。 本稿では,ロボットによる手術を含むさまざまなデータセット上で,これらの手法の限定的な一般化性を実証する。
  論文  参考訳（メタデータ） (2021-03-16T18:41:18Z)
• Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
  我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-14T16:50:50Z)
• Segmentation of Surgical Instruments for Minimally-Invasive Robot-Assisted Procedures Using Generative Deep Neural Networks [17.571763112459166]
  本研究は,極小侵襲手術器具のセマンティックセグメンテーションをトレーニングデータを用いて改善できることを証明した。 これを実現するために、ソースデータセットを変換してターゲットデータセットのドメイン分布を近似するCycleGANモデルを使用する。 完全ラベルを持つこの新たに生成されたデータは、セマンティックセグメンテーションニューラルネットワークであるU-Netのトレーニングに使用される。
  論文  参考訳（メタデータ） (2020-06-05T14:39:41Z)

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。