論文の概要: Interpretability-guided Data Augmentation for Robust Segmentation in Multi-centre Colonoscopy Data

• arxiv url: http://arxiv.org/abs/2308.15881v1
• Date: Wed, 30 Aug 2023 09:03:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-31 14:02:40.129824
• Title: Interpretability-guided Data Augmentation for Robust Segmentation in Multi-centre Colonoscopy Data
• Title（参考訳）: マルチセンタリー大腸内視鏡データにおけるロバストセグメント化のための解釈可能性誘導データ拡張
• Authors: Valentina Corbetta, Regina Beets-Tan, and Wilson Silva
• Abstract要約: 本稿では,解釈可能性のサリエンシマップを中心にした,革新的なデータ拡張手法を提案する。 提案手法は,異なるセグメンテーションモデルとドメイン間のロバスト性の向上を実証する。
• 参考スコア（独自算出の注目度）: 0.4915744683251151
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Multi-centre colonoscopy images from various medical centres exhibit distinct complicating factors and overlays that impact the image content, contingent on the specific acquisition centre. Existing Deep Segmentation networks struggle to achieve adequate generalizability in such data sets, and the currently available data augmentation methods do not effectively address these sources of data variability. As a solution, we introduce an innovative data augmentation approach centred on interpretability saliency maps, aimed at enhancing the generalizability of Deep Learning models within the realm of multi-centre colonoscopy image segmentation. The proposed augmentation technique demonstrates increased robustness across different segmentation models and domains. Thorough testing on a publicly available multi-centre dataset for polyp detection demonstrates the effectiveness and versatility of our approach, which is observed both in quantitative and qualitative results. The code is publicly available at: https://github.com/nki-radiology/interpretability_augmentation
• Abstract（参考訳）: 各種医療センターの多中心大腸内視鏡像では, 画像内容に影響を及ぼす因子やオーバーレイが, 特定の取得センタに現れる。 既存のディープセグメンテーションネットワークは、そのようなデータセットにおける適切な一般化性を達成するのに苦労しており、現在利用可能なデータ拡張手法は、これらのデータ可変性のソースに効果的に対処しない。 本研究では,多視点大腸内視鏡画像分割領域における深層学習モデルの一般化可能性を高めることを目的とした,解釈可能性サリエンシーマップを中心とした革新的なデータ拡張手法を提案する。 提案手法は,異なるセグメンテーションモデルとドメイン間のロバスト性の向上を示す。 ポリプ検出のための公開マルチセントデータセットの詳細なテストは、定量的および定性的な結果の両方で観察されるアプローチの有効性と汎用性を示している。 コードは、https://github.com/nki-radiology/interpretability_augmentationで公開されている。

関連論文リスト

• Cross-Dataset Generalization For Retinal Lesions Segmentation [2.1160877779256126]
  本研究は,複数の既知のデータセットを特徴付け,モデルの一般化性能を向上させるために提案された様々な手法を比較する。 以上の結果から,粗いラベル付きデータを微細なデータセットと組み合わせて病変のセグメンテーションを改善する方法についての知見が得られた。
  論文  参考訳（メタデータ） (2024-05-14T05:52:01Z)
• Harmonized Spatial and Spectral Learning for Robust and Generalized Medical Image Segmentation [5.678550062099796]
  我々は、中級特徴と文脈的長距離依存を捉えるためのモデル能力を改善するために、革新的なスペクトル相関係数の目的を導入する。 実験によると、UNetやTransUNetのような既存のアーキテクチャでこの目的を最適化することで、一般化、解釈可能性、ノイズの堅牢性が大幅に向上する。
  論文  参考訳（メタデータ） (2024-01-18T20:43:43Z)
• Two Approaches to Supervised Image Segmentation [55.616364225463066]
  本研究は、深層学習とマルチセットニューロンのアプローチの比較実験を開発する。 ディープラーニングアプローチは、画像セグメンテーションの実行の可能性を確認した。 代替のマルチセット手法では、計算資源をほとんど必要とせずに精度を向上することができた。
  論文  参考訳（メタデータ） (2023-07-19T16:42:52Z)
• Domain Generalization for Mammographic Image Analysis with Contrastive Learning [62.25104935889111]
  効果的なディープラーニングモデルのトレーニングには、さまざまなスタイルと品質を備えた大規模なデータが必要である。 より優れたスタイルの一般化能力を備えた深層学習モデルを実現するために,新しいコントラスト学習法が開発された。 提案手法は,様々なベンダスタイルドメインのマンモグラムや,いくつかのパブリックデータセットを用いて,広範囲かつ厳密に評価されている。
  論文  参考訳（メタデータ） (2023-04-20T11:40:21Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• Domain Generalization with Adversarial Intensity Attack for Medical Image Segmentation [27.49427483473792]
  実世界のシナリオでは、トレーニング中に露出していない新しいドメインや異なるドメインのデータに遭遇することが一般的である。 ドメイン一般化(Domain Generalization, DG)は、モデルがこれまで見つからなかったドメインからのデータを扱うことを可能にする、有望な方向である。 本稿では,敵対的トレーニングを活用して無限のスタイルでトレーニングデータを生成する,AdverIN(Adversarial Intensity Attack)と呼ばれる新しいDG手法を提案する。
  論文  参考訳（メタデータ） (2023-04-05T19:40:51Z)
• AADG: Automatic Augmentation for Domain Generalization on Retinal Image Segmentation [1.0452185327816181]
  AADG(Automated Augmentation for Domain Generalization)と呼ばれるデータ操作に基づくドメイン一般化手法を提案する。 我々のAADGフレームワークは、新しいドメインを生成するデータ拡張ポリシーを効果的にサンプリングすることができる。 提案するAADGは,最先端の一般化性能を示し,既存手法より優れている。
  論文  参考訳（メタデータ） (2022-07-27T02:26:01Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• Disentangled Representations for Domain-generalized Cardiac Segmentation [19.108784219423377]
  Resolution Augmentation" 法では,異なるスキャナープロトコルにまたがる範囲内で,画像を異なる解像度に再スケールすることで,より多様なデータを生成する。 因子ベース拡張法は,元のサンプルを非絡み合った潜在空間に投影することで,より多様なデータを生成する。 本実験は,視覚領域と見えない領域間の効率的な適応とモデル一般化能力の重要性を実証するものである。
  論文  参考訳（メタデータ） (2020-08-26T12:20:09Z)
• 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)
• MS-Net: Multi-Site Network for Improving Prostate Segmentation with Heterogeneous MRI Data [75.73881040581767]
  本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。 当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2020-02-09T14:11:50Z)

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。