論文の概要: ASC: Appearance and Structure Consistency for Unsupervised Domain Adaptation in Fetal Brain MRI Segmentation

• arxiv url: http://arxiv.org/abs/2310.14172v1
• Date: Sun, 22 Oct 2023 04:12:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-25 01:22:44.455592
• Title: ASC: Appearance and Structure Consistency for Unsupervised Domain Adaptation in Fetal Brain MRI Segmentation
• Title（参考訳）: ASC:胎児脳MRIにおける教師なし領域適応の出現と構造整合性
• Authors: Zihang Xu and Haifan Gong and Xiang Wan and Haofeng Li
• Abstract要約: 高品質な胎児脳アトラスのセグメンテーションラベルを、未ラベルの胎児脳MRIデータに適応させる実用的非教師なし領域適応(UDA)セットを提案する。 周波数ベース画像変換の前後の一貫性を制約することにより、セグメント化モデルを異なる領域の外観に適応する。 FeTA 2021ベンチマークの実験は、登録ベース、半教師付き学習ベース、および既存のUDAベースの方法と比較して、ASCの有効性を実証している。
• 参考スコア（独自算出の注目度）: 28.40275722324598
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic tissue segmentation of fetal brain images is essential for the quantitative analysis of prenatal neurodevelopment. However, producing voxel-level annotations of fetal brain imaging is time-consuming and expensive. To reduce labeling costs, we propose a practical unsupervised domain adaptation (UDA) setting that adapts the segmentation labels of high-quality fetal brain atlases to unlabeled fetal brain MRI data from another domain. To address the task, we propose a new UDA framework based on Appearance and Structure Consistency, named ASC. We adapt the segmentation model to the appearances of different domains by constraining the consistency before and after a frequency-based image transformation, which is to swap the appearance between brain MRI data and atlases. Consider that even in the same domain, the fetal brain images of different gestational ages could have significant variations in the anatomical structures. To make the model adapt to the structural variations in the target domain, we further encourage prediction consistency under different structural perturbations. Extensive experiments on FeTA 2021 benchmark demonstrate the effectiveness of our ASC in comparison to registration-based, semi-supervised learning-based, and existing UDA-based methods.
• Abstract（参考訳）: 胎児脳画像の自動組織分割は出生前神経発達の定量的解析に不可欠である。 しかし、胎児脳画像のボクセルレベルのアノテーションの作成には時間と費用がかかる。 そこで本研究では,高品質な胎児脳アトラスのセグメンテーションラベルを他の領域の胎児脳MRIデータに適応させる,実用的な非教師なし領域適応(UDA)設定を提案する。 この課題に対処するため,ASC という外観・構造整合性に基づく新しい UDA フレームワークを提案する。 我々は、周波数ベースの画像変換の前後の一貫性を制約し、脳MRIデータとアトラスの外観を置き換えることで、セグメント化モデルを異なる領域の外観に適応させる。 同じ領域であっても、妊娠年齢の異なる胎児の脳画像は解剖学的構造に大きな変化をもたらす可能性がある。 モデルが対象領域の構造変化に適応できるようにするため、異なる構造摂動下での予測一貫性をさらに促進する。 FeTA 2021ベンチマークの大規模な実験は、登録ベース、半教師付き学習ベースおよび既存のUDAベースの方法と比較して、ASCの有効性を示す。

関連論文リスト

• Biological Brain Age Estimation using Sex-Aware Adversarial Variational Autoencoder with Multimodal Neuroimages [8.610253537046692]
  性対応性差型自動エンコーダ(SA-AVAE)を用いた脳年齢推定のための新しい枠組みを提案する。 我々は、潜在空間をモダリティ固有のコードと共有コードに分解し、モダリティの相補的および共通的な情報を表す。 我々は、学習した潜伏コードに性情報を組み込んで、モデルが脳年齢推定のために性固有の老化パターンをキャプチャすることを可能にする。
  論文  参考訳（メタデータ） (2024-12-07T12:10:29Z)
• Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
  本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。 具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。 知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
  論文  参考訳（メタデータ） (2024-07-31T04:32:43Z)
• SMC-UDA: Structure-Modal Constraint for Unsupervised Cross-Domain Renal Segmentation [100.86339246424541]
  本稿では、識別パラダイムに基づく新しい構造モード制約(SMC) UDA フレームワークを提案し、ドメイン間のブリッジとしてエッジ構造を導入する。 構造に制約のある自己学習とプログレッシブROIでは,エッジの3次元空間構造を見極めることで腎臓を分節する。 実験の結果,提案するSMC-UDAの一般化は良好であり,生成的UDA法よりも優れていた。
  論文  参考訳（メタデータ） (2023-06-14T02:57:23Z)
• Contrastive Semi-supervised Learning for Domain Adaptive Segmentation Across Similar Anatomical Structures [21.54339967787734]
  クロス解剖領域適応のためのコントラスト半教師付き学習を提案する。 モデルを適用して、類似した構造をターゲットドメインに分割する。 ターゲットドメインで限定的なアノテーションのみを必要とする。
  論文  参考訳（メタデータ） (2022-08-18T02:54:04Z)
• CAS-Net: Conditional Atlas Generation and Brain Segmentation for Fetal MRI [10.127399319119911]
  本研究では、条件付きアトラスを同時に生成し、脳組織分節を予測できる新しいネットワーク構造を提案する。 提案手法は,Human Connectome Projectから253名の被験者を対象に,実験・評価を行った。
  論文  参考訳（メタデータ） (2022-05-17T11:23:02Z)
• Towards A Device-Independent Deep Learning Approach for the Automated Segmentation of Sonographic Fetal Brain Structures: A Multi-Center and Multi-Device Validation [0.0]
  胎児脳USG画像(2D)から得られた2軸平面から10個の重要な胎児脳構造の自動分割のためのDLベースセグメンテーションフレームワークを提案する。 提案するDLシステムは,有望かつ汎用的な性能(マルチセンタ,マルチデバイス)を提供し,画像品質のデバイスによる変動を支持する証拠を提示する。
  論文  参考訳（メタデータ） (2022-02-28T05:42:03Z)
• Self-Supervised Domain Adaptation for Diabetic Retinopathy Grading using Vessel Image Reconstruction [61.58601145792065]
  我々は網膜血管画像再構成に基づく新しい自己教師型タスクを定義することで、不変なターゲットドメインの特徴を学習する。 私たちのアプローチは既存のドメイン戦略よりも優れています。
  論文  参考訳（メタデータ） (2021-07-20T09:44:07Z)
• 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)
• Domain adaptation based self-correction model for COVID-19 infection segmentation in CT images [23.496487874821756]
  CT画像を用いた新型コロナウイルス感染セグメント化のためのドメイン適応型自己補正モデル(DASC-Net)を提案する。 DASC-Netは、ドメインシフトを解決するための新しい注目と機能ドメイン拡張ドメイン適応モデル(AFD-DA)と、結果を洗練するための自己補正学習プロセスから構成される。 3つの公開可能なCOVID-19 CTデータセットに対する大規模な実験は、DASC-Netが最先端のセグメンテーション、ドメインシフト、および新型コロナウイルス感染セグメンテーションメソッドを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2021-04-20T00:45:01Z)
• Unsupervised Instance Segmentation in Microscopy Images via Panoptic Domain Adaptation and Task Re-weighting [86.33696045574692]
  病理組織像における教師なし核分割のためのCycle Consistency Panoptic Domain Adaptive Mask R-CNN(CyC-PDAM)アーキテクチャを提案する。 まず,合成画像中の補助的な生成物を除去するための核塗布機構を提案する。 第二に、ドメイン識別器を持つセマンティックブランチは、パンプトレベルのドメイン適応を実現するように設計されている。
  論文  参考訳（メタデータ） (2020-05-05T11:08:26Z)
• Unsupervised Bidirectional Cross-Modality Adaptation via Deeply Synergistic Image and Feature Alignment for Medical Image Segmentation [73.84166499988443]
  我々は、Synergistic Image and Feature Alignment (SIFA)と名付けられた新しい教師なしドメイン適応フレームワークを提案する。 提案するSIFAは、画像と特徴の両方の観点から、ドメインの相乗的アライメントを行う。 2つの異なるタスクに対する実験結果から,SIFA法は未ラベル対象画像のセグメンテーション性能を向上させるのに有効であることが示された。
  論文  参考訳（メタデータ） (2020-02-06T13:49:47Z)

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。