論文の概要: Task-guided Domain Gap Reduction for Monocular Depth Prediction in Endoscopy

• arxiv url: http://arxiv.org/abs/2310.01663v1
• Date: Mon, 2 Oct 2023 21:52:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-04 18:39:30.852607
• Title: Task-guided Domain Gap Reduction for Monocular Depth Prediction in Endoscopy
• Title（参考訳）: 内視鏡における単眼深度予測のためのタスク誘導領域ギャップ低減
• Authors: Anita Rau, Binod Bhattarai, Lourdes Agapito, Danail Stoyanov
• Abstract要約: ラベル付き合成およびラベルなし実データを活用する新しい手法を提案する。 本手法により, 実大腸内視鏡像のよりレジリエントで高精度な深度マップが得られた。
• 参考スコア（独自算出の注目度）: 23.12495584329767
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Colorectal cancer remains one of the deadliest cancers in the world. In recent years computer-aided methods have aimed to enhance cancer screening and improve the quality and availability of colonoscopies by automatizing sub-tasks. One such task is predicting depth from monocular video frames, which can assist endoscopic navigation. As ground truth depth from standard in-vivo colonoscopy remains unobtainable due to hardware constraints, two approaches have aimed to circumvent the need for real training data: supervised methods trained on labeled synthetic data and self-supervised models trained on unlabeled real data. However, self-supervised methods depend on unreliable loss functions that struggle with edges, self-occlusion, and lighting inconsistency. Methods trained on synthetic data can provide accurate depth for synthetic geometries but do not use any geometric supervisory signal from real data and overfit to synthetic anatomies and properties. This work proposes a novel approach to leverage labeled synthetic and unlabeled real data. While previous domain adaptation methods indiscriminately enforce the distributions of both input data modalities to coincide, we focus on the end task, depth prediction, and translate only essential information between the input domains. Our approach results in more resilient and accurate depth maps of real colonoscopy sequences.
• Abstract（参考訳）: 大腸癌は世界で最も致命的ながんの1つである。 近年,コンピュータ支援手法は,癌検診の強化と,サブタスクの自動化による大腸粘膜の質と可用性の向上を目的としている。 そのようなタスクの1つは、鏡視下ナビゲーションを補助する単眼ビデオフレームからの深さの予測である。 ハードウェアの制約により、標準的 in-vivo 大腸内視鏡の真理深度は依然として達成不可能であるため、2つのアプローチは、実際のトレーニングデータの必要性を回避することを目的としている。 しかし、自己監督手法は、エッジ、自己閉塞、照明の不整合に苦しむ信頼できない損失関数に依存する。 合成データに基づいて訓練された方法は、合成ジオメトリの正確な深さを提供することができるが、実際のデータからの幾何学的監視信号は使用せず、合成解剖学や特性に過剰に適合する。 本研究は,ラベル付き合成およびラベルなし実データを活用する新しい手法を提案する。 従来のドメイン適応手法では,両入力データモダリティの分布の一致を無差別に強制するが,最終タスク,深さ予測,入力ドメイン間の必須情報のみを翻訳する。 本手法により, 実大腸内視鏡像のよりレジリエントで高精度な深度マップが得られた。

関連論文リスト

• Enhancing Bronchoscopy Depth Estimation through Synthetic-to-Real Domain Adaptation [2.795503750654676]
  本研究では, 深度ラベル付き合成データを用いた移動学習フレームワークを提案し, 実気管支鏡データの正確な深度推定にドメイン知識を適用した。 本ネットワークは,合成データのみによるトレーニングに比べて,実際の映像の深度予測の改善を実証し,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2024-11-07T03:48:35Z)
• A Discrepancy Aware Framework for Robust Anomaly Detection [51.710249807397695]
  本稿では,DAF(Disdisrepancy Aware Framework)を提案する。 本手法は,デコーダの欠陥同定に外見に依存しないキューを利用して,その合成外観への依存を緩和する。 単純な合成戦略の下では,既存の手法を大きなマージンで上回り,また,最先端のローカライゼーション性能も達成している。
  論文  参考訳（メタデータ） (2023-10-11T15:21:40Z)
• ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
  大腸内視鏡検査は臨床診断や治療に不可欠である。 注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。 本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
  論文  参考訳（メタデータ） (2023-09-03T07:55:46Z)
• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• Self-Supervised and Semi-Supervised Polyp Segmentation using Synthetic Data [16.356954231068077]
  大腸ポリープの早期検出は、その治療および大腸癌予防において最も重要である。 コンピュータビジョン技術は、患者の大腸全体を調べるために手動で大腸手術を行う、診断段階の専門家を助ける可能性がある。 医用画像の最大の課題はデータの欠如であり、ポリプセグメンテーションアプローチに特有な課題は、手動でデータをラベル付けすることの難しさである。 本稿では, 実データと合成データを統合し, データセットのサイズを人工的に増加させ, ラベルなしサンプルが利用可能になった場合のトレーニングを支援する, ポリプセグメンテーションのエンドツーエンドモデルを提案する。
  論文  参考訳（メタデータ） (2023-07-22T09:57:58Z)
• Constrained self-supervised method with temporal ensembling for fiber bundle detection on anatomic tracing data [0.08329098197319453]
  本研究では,マカク脳のトレーサ部における繊維束の正確なセグメンテーションのための自己教師付き損失関数を用いた深層学習法を提案する。 異なるマカクの未確認区間における本手法の評価は, 真正率0.90の有望な結果をもたらす。
  論文  参考訳（メタデータ） (2022-08-06T19:17:02Z)
• Unsupervised Domain Adaptive Salient Object Detection Through Uncertainty-Aware Pseudo-Label Learning [104.00026716576546]
  そこで本研究では,手動のアノテーションを使わずに,自然に高いピクセルラベル品質を有する合成・クリーンなラベルから,サリエンスを学習することを提案する。 提案手法は,複数のベンチマークデータセット上で,既存の最先端の深層教師なしSOD法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-02-26T16:03:55Z)
• Occlusion-aware Unsupervised Learning of Depth from 4-D Light Fields [50.435129905215284]
  4次元光場処理と解析のための教師なし学習に基づく深度推定法を提案する。 光場データの特異な幾何学構造に関する基礎知識に基づいて,光場ビューのサブセット間の角度コヒーレンスを探索し,深度マップを推定する。 提案手法は,従来の手法と同等の精度で計算コストを低減した深度マップを作成できる。
  論文  参考訳（メタデータ） (2021-06-06T06:19:50Z)
• Weakly-Supervised Cross-Domain Adaptation for Endoscopic Lesions Segmentation [79.58311369297635]
  異なるデータセットにまたがるトランスファー可能なドメイン不変知識を探索できる,新しい弱い教師付き病巣移動フレームワークを提案する。 wasserstein quantified transferability frameworkは、広い範囲の転送可能なコンテキスト依存性を強調するために開発されている。 新規な自己監督型擬似ラベル生成器は、送信困難かつ転送容易なターゲットサンプルの両方に対して、確実な擬似ピクセルラベルを等しく提供するように設計されている。
  論文  参考訳（メタデータ） (2020-12-08T02:26:03Z)
• Synthetic-to-Real Domain Adaptation for Lane Detection [5.811502603310248]
  我々は、ラベルなしまたは部分的にラベル付けされたターゲットドメインデータとともに、豊富でランダムに生成された合成データからの学習を探索する。 これは、非現実的な合成領域で学んだモデルを実画像に適応させることの難しさを浮き彫りにする。 対象のドメインデータに適応するために、特定の画像と一致しない合成ラベルを用いる、新しいオートエンコーダベースのアプローチを開発する。
  論文  参考訳（メタデータ） (2020-07-08T10:54:21Z)

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。