論文の概要: Dual-Reference Source-Free Active Domain Adaptation for Nasopharyngeal
Carcinoma Tumor Segmentation across Multiple Hospitals
- arxiv url: http://arxiv.org/abs/2309.13401v1
- Date: Sat, 23 Sep 2023 15:26:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-26 20:14:38.183390
- Title: Dual-Reference Source-Free Active Domain Adaptation for Nasopharyngeal
Carcinoma Tumor Segmentation across Multiple Hospitals
- Title（参考訳）: 当院における鼻咽喉頭癌手術におけるDual-Reference Source-Free Active Domain Adaptation
- Authors: Hongqiu Wang, Jian Chen, Shichen Zhang, Yuan He, Jinfeng Xu, Mengwan
Wu, Jinlan He, Wenjun Liao, Xiangde Luo
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 9.845637899896365
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Nasopharyngeal carcinoma (NPC) is a prevalent and clinically significant
malignancy that predominantly impacts the head and neck area. Precise
delineation of the Gross Tumor Volume (GTV) plays a pivotal role in ensuring
effective radiotherapy for NPC. Despite recent methods that have achieved
promising results on GTV segmentation, they are still limited by lacking
carefully-annotated data and hard-to-access data from multiple hospitals in
clinical practice. Although some unsupervised domain adaptation (UDA) has been
proposed to alleviate this problem, unconditionally mapping the distribution
distorts the underlying structural information, leading to inferior
performance. To address this challenge, we devise a novel Sourece-Free Active
Domain Adaptation (SFADA) framework to facilitate domain adaptation for the GTV
segmentation task. Specifically, we design a dual reference strategy to select
domain-invariant and domain-specific representative samples from a specific
target domain for annotation and model fine-tuning without relying on
source-domain data. Our approach not only ensures data privacy but also reduces
the workload for oncologists as it just requires annotating a few
representative samples from the target domain and does not need to access the
source data. We collect a large-scale clinical dataset comprising 1057 NPC
patients from five hospitals to validate our approach. Experimental results
show that our method outperforms the UDA methods and achieves comparable
results to the fully supervised upper bound, even with few annotations,
highlighting the significant medical utility of our approach. In addition,
there is no public dataset about multi-center NPC segmentation, we will release
code and dataset for future research.
- Abstract（参考訳）: 鼻咽頭癌 (nasopharyngeal carcinoma, npc) は、主に頭頸部に発生する悪性腫瘍であり、臨床的に有意な悪性腫瘍である。
Gross tumor Volume (GTV) の精密脱線は, NPCの放射線治療において重要な役割を担っている。
近年,gtvセグメンテーションで有望な結果が得られたが,臨床において注意深い注釈付きデータや複数の病院からのアクセスが難しいデータが欠如している。
非教師なし領域適応(UDA)はこの問題を軽減するために提案されているが、分布を無条件にマッピングすることで基盤となる構造情報を歪曲し、性能が低下する。
この課題に対処するため、我々は、GTVセグメンテーションタスクのドメイン適応を容易にする新しいSourece-Free Active Domain Adaptation (SFADA) フレームワークを考案した。
具体的には、特定の対象ドメインからドメイン不変およびドメイン固有代表サンプルを選択して、ソースドメインデータに頼らずにアノテーションおよびモデルの微調整を行うデュアルリファレンス戦略を設計する。
このアプローチはデータのプライバシを保証するだけでなく、ターゲットドメインからいくつかの代表サンプルを注釈付けするだけで、ソースデータにアクセスする必要がなくなるため、オンコロジーの作業量を削減します。
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。
実験結果から,本手法はuda法よりも優れており,若干のアノテーションを伴っても,完全な教師付き上界に匹敵する結果が得られ,その医療的有用性が強調された。
さらに、マルチセンターのNPCセグメンテーションに関する公開データセットはなく、将来の研究のためのコードとデータセットをリリースします。
関連論文リスト
- Domain-invariant Clinical Representation Learning by Bridging Data
Distribution Shift across EMR Datasets [16.317118701435742]
適切な診断を行い、パーソナライズされた治療計画を設計する上で、効果的な予後モデルが期待されている。
疾患の初期段階では、限られたデータ収集と臨床経験に加えて、プライバシと倫理の懸念から、参照のためのデータ可用性が制限される可能性がある。
本稿では、ソースデータセットからターゲットデータセットへの遷移モデルを構築するためのドメイン不変表現学習手法を紹介する。
論文 参考訳（メタデータ） (2023-10-11T18:32:21Z) - Cross-Dataset Adaptation for Instrument Classification in Cataract
Surgery Videos [54.1843419649895]
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。
論文 参考訳（メタデータ） (2023-07-31T18:14:18Z) - 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) - A Client-server Deep Federated Learning for Cross-domain Surgical Image
Segmentation [18.402074964118697]
本稿では2次元画像分割のためのクロスドメイン適応問題の解法を提案する。
医用画像解析におけるディープラーニングアーキテクチャは、より良い一般化のために広範なトレーニングデータを必要とする。
クロスドメイン適応のためのクライアントサーバのディープフェデレーションアーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-06-14T19:49:47Z) - Multi-scale Feature Alignment for Continual Learning of Unlabeled
Domains [3.9498537297431167]
生成的特徴駆動のイメージリプレイとデュアル目的判別器は、リプレイのための現実的な特徴を持つ画像の生成を可能にする。
本稿では,提案手法の構成要素について詳細なアブレーション実験を行い,非教師付きパッチベースセグメンテーションタスクに対する連続的UDA法の適用可能性を示す。
論文 参考訳（メタデータ） (2023-02-02T18:19:01Z) - LE-UDA: Label-efficient unsupervised domain adaptation for medical image
segmentation [24.655779957716558]
ラベル有効非教師付きドメイン適応(LE-UDA)と呼ばれる新規で汎用的なフレームワークを提案する。
LE-UDAでは、両ドメイン間の知識伝達のための自己認識一貫性と、UDAの機能アライメントを向上するために自己認識学習モジュールを構築している。
実験結果から,提案するLE-UDAは,限られたソースラベルを有効活用し,ドメイン間セグメンテーション性能を向上し,文献における最先端のUDAアプローチより優れていることが示された。
論文 参考訳（メタデータ） (2022-12-05T07:47:35Z) - Unsupervised Domain Adaptation for Dysarthric Speech Detection via
Domain Adversarial Training and Mutual Information Minimization [52.82138296332476]
本稿では,非教師付き領域適応問題として,クロスドメイン・ディザスリック音声検出(DSD)を定式化するための最初の試みを行う。
DPC, DAT, 相互情報最小化(MIM)を含むマルチタスク学習戦略を提案する。
実験の結果, 発話レベルの重み付き平均リコールと話者レベルの精度では, それぞれ22.2%, 20.0%の絶対的な増加が得られた。
論文 参考訳（メタデータ） (2021-06-18T13:34:36Z) - Cross-Modality Brain Tumor Segmentation via Bidirectional
Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。
具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。
提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
論文 参考訳（メタデータ） (2021-05-17T10:11:45Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - Harnessing Uncertainty in Domain Adaptation for MRI Prostate Lesion
Segmentation [15.919637739630353]
我々は, 癌評価のための取得最適化プロトコルを含む, よりリッチなMRIモダリティである mp-MRI から VERDICT への変換を検討する。
以上の結果から,単純なCycleGANベースラインを併用したタンデムを用いて,対象領域の画像表現を体系的により優れた画像表現で抽出できることが示唆された。
論文 参考訳（メタデータ） (2020-10-14T21:30:27Z) - PraNet: Parallel Reverse Attention Network for Polyp Segmentation [155.93344756264824]
大腸内視鏡画像の高精度なポリープ分割のための並列リバースアテンションネットワーク(PraNet)を提案する。
並列部分復号器(PPD)を用いて,まず高層層に特徴を集約する。
さらに,エリアとバウンダリの関連性を確立するために,リバースアテンション(RA)モジュールを用いて境界キューをマイニングする。
論文 参考訳（メタデータ） (2020-06-13T08:13:43Z)
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。