論文の概要: MAP: Domain Generalization via Meta-Learning on Anatomy-Consistent Pseudo-Modalities

• arxiv url: http://arxiv.org/abs/2309.01286v1
• Date: Sun, 3 Sep 2023 22:56:22 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-06 20:22:52.687118
• Title: MAP: Domain Generalization via Meta-Learning on Anatomy-Consistent Pseudo-Modalities
• Title（参考訳）: MAP:メタラーニングによるドメインの一般化
• Authors: Dewei Hu, Hao Li, Han Liu, Xing Yao, Jiacheng Wang and Ipek Oguz
• Abstract要約: 解剖学的に整合した擬似モダリティ(MAP)のメタラーニングを提案する。 MAPは構造的特徴を学習することでモデル一般化性を向上させる。 各種網膜画像モダリティの公開データセットを7つ評価した。
• 参考スコア（独自算出の注目度）: 12.194439938007672
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep models suffer from limited generalization capability to unseen domains, which has severely hindered their clinical applicability. Specifically for the retinal vessel segmentation task, although the model is supposed to learn the anatomy of the target, it can be distracted by confounding factors like intensity and contrast. We propose Meta learning on Anatomy-consistent Pseudo-modalities (MAP), a method that improves model generalizability by learning structural features. We first leverage a feature extraction network to generate three distinct pseudo-modalities that share the vessel structure of the original image. Next, we use the episodic learning paradigm by selecting one of the pseudo-modalities as the meta-train dataset, and perform meta-testing on a continuous augmented image space generated through Dirichlet mixup of the remaining pseudo-modalities. Further, we introduce two loss functions that facilitate the model's focus on shape information by clustering the latent vectors obtained from images featuring identical vasculature. We evaluate our model on seven public datasets of various retinal imaging modalities and we conclude that MAP has substantially better generalizability. Our code is publically available at https://github.com/DeweiHu/MAP.
• Abstract（参考訳）: 深層モデルは未発見領域への限定的な一般化能力に苦しめられ、臨床応用性が著しく阻害されている。 特に網膜血管の分節作業では、モデルは対象の解剖学を学ぶことが想定されているが、強度やコントラストといった要因を組み合わせることで注意をそらすことができる。 構造的特徴を学習することでモデル一般化性を向上させる手法として,解剖学的に一貫性のある擬似モダリティ(MAP)のメタラーニングを提案する。 まず、特徴抽出ネットワークを利用して、元の画像の容器構造を共有する3つの異なる擬似モダリティを生成する。 次に、擬似モダリティの1つをメタトレインデータセットとして選択し、残りの擬似モダリティのディリクレ混合により生成される連続拡張画像空間上でメタテストを行う。 さらに,同一血管を特徴とする画像から得られた潜在ベクトルをクラスタリングすることにより,形状情報に着目した2つの損失関数を導入する。 我々は,様々な網膜画像モダリティのパブリックデータセットを7つ評価し,MAPの一般化性について検討した。 私たちのコードはhttps://github.com/DeweiHu/MAPで公開されています。

関連論文リスト

• HATs: Hierarchical Adaptive Taxonomy Segmentation for Panoramic Pathology Image Analysis [19.04633470168871]
  パノラマ画像分割は、形態学的に複雑で可変スケールの解剖学のため、顕著な課題である。 本稿では, 腎臓構造のパノラマ像を, 詳細な解剖学的知見を生かして網羅的に把握することを目的とした, 階層型適応分類法を提案する。 提案手法では,各領域,機能単位,細胞にまたがる空間的関係を多機能な「プラグ・アンド・プレイ」損失関数に変換する革新的HATs手法と,解剖学的階層化と大規模考察を,全パノラマ要素に統一された単純な行列表現に変換すること,そして,(3)。
  論文  参考訳（メタデータ） (2024-06-30T05:35:26Z)
• Overcoming Dimensional Collapse in Self-supervised Contrastive Learning for Medical Image Segmentation [2.6764957223405657]
  医用画像解析分野へのコントラスト学習の適用について検討する。 以上の結果から,最先端のコントラスト学習手法であるMoCo v2は,医用画像に適用すると次元的崩壊に遭遇することが明らかとなった。 これを解決するために,局所的な特徴学習と特徴デコレーションという2つの重要な貢献を提案する。
  論文  参考訳（メタデータ） (2024-02-22T15:02:13Z)
• VesselMorph: Domain-Generalized Retinal Vessel Segmentation via Shape-Aware Representation [12.194439938007672]
  ドメインシフトは医療画像の本質的な特性であり、学習ベースのアルゴリズムを大規模に展開する上で大きな障害となっている。 形状認識表現を合成することにより2次元網膜血管セグメンテーションタスクを一般化するVesselMorphという手法を提案する。 VesselMorphは、異なるドメインシフトシナリオの競合するメソッドと比較して、優れた一般化性能を実現する。
  論文  参考訳（メタデータ） (2023-07-01T06:02:22Z)
• Learning with Explicit Shape Priors for Medical Image Segmentation [17.110893665132423]
  UNetモデルにおけるセグメント化性能を向上させるために,新しい形状先行モジュール(SPM)を提案する。 明示的な形状の先行は、大域的および局所的な形状の先行から成っている。 提案手法は最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-03-31T11:12:35Z)
• Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
  我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。 まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。 第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
  論文  参考訳（メタデータ） (2022-09-27T15:50:31Z)
• Adaptive Convolutional Dictionary Network for CT Metal Artifact Reduction [62.691996239590125]
  本稿では,金属人工物削減のための適応畳み込み辞書ネットワーク(ACDNet)を提案する。 我々のACDNetは、トレーニングデータを介して、アーティファクトフリーCT画像の事前を自動で学習し、入力されたCT画像ごとに表現カーネルを適応的に調整することができる。 本手法は,モデルに基づく手法の明確な解釈可能性を継承し,学習に基づく手法の強力な表現能力を維持する。
  論文  参考訳（メタデータ） (2022-05-16T06:49:36Z)
• 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)
• Towards Cross-modality Medical Image Segmentation with Online Mutual Knowledge Distillation [71.89867233426597]
  本稿では,あるモダリティから学習した事前知識を活用し,別のモダリティにおけるセグメンテーション性能を向上させることを目的とする。 モーダル共有知識を徹底的に活用する新しい相互知識蒸留法を提案する。 MMWHS 2017, MMWHS 2017 を用いた多クラス心筋セグメンテーション実験の結果, CT セグメンテーションに大きな改善が得られた。
  論文  参考訳（メタデータ） (2020-10-04T10:25:13Z)
• Shape-aware Meta-learning for Generalizing Prostate MRI Segmentation to Unseen Domains [68.73614619875814]
  前立腺MRIのセグメント化におけるモデル一般化を改善するために,新しい形状認識メタラーニング手法を提案する。 実験結果から,本手法は未確認領域の6つの設定すべてにおいて,最先端の一般化手法を一貫して上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2020-07-04T07:56:02Z)
• Predicting Scores of Medical Imaging Segmentation Methods with Meta-Learning [0.30458514384586394]
  異なる臓器とモダリティの10つのデータセットにまたがるセグメンテーションのメタラーニングについて検討した。 我々は,メタ機能と先行モデルの性能の関係を学習するために,ベクトル回帰とディープニューラルネットワークをサポートする。 これらの結果は,医療画像におけるメタラーニングの可能性を示している。
  論文  参考訳（メタデータ） (2020-05-08T07:47:52Z)
• Unpaired Multi-modal Segmentation via Knowledge Distillation [77.39798870702174]
  本稿では,不対向画像分割のための新しい学習手法を提案する。 提案手法では,CTおよびMRI間での畳み込みカーネルの共有により,ネットワークパラメータを多用する。 我々は2つの多クラスセグメンテーション問題に対するアプローチを広範囲に検証した。
  論文  参考訳（メタデータ） (2020-01-06T20:03:17Z)

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。