論文の概要: S$^3$-TTA: Scale-Style Selection for Test-Time Augmentation in Biomedical Image Segmentation

• arxiv url: http://arxiv.org/abs/2310.16783v1
• Date: Wed, 25 Oct 2023 17:19:14 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-26 13:34:55.378542
• Title: S$^3$-TTA: Scale-Style Selection for Test-Time Augmentation in Biomedical Image Segmentation
• Title（参考訳）: S$^3$-TTA: バイオメディカルイメージセグメンテーションにおけるテスト時間拡張のためのスケールスタイルの選択
• Authors: Kangxian Xie, Siyu Huang, Sebastian Cajas Ordone, Hanspeter Pfister, Donglai Wei
• Abstract要約: 本研究では、テスト画像毎に適切な画像スケールとスタイルを選択する新しいTTAフレームワークであるS$3$-TTAを提案する。 細胞と肺のセグメンテーションに関する公開ベンチマークでは、S$3$-TTAはそれぞれ3.4%と1.3%改善されている。
• 参考スコア（独自算出の注目度）: 33.69194889400333
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep-learning models have been successful in biomedical image segmentation. To generalize for real-world deployment, test-time augmentation (TTA) methods are often used to transform the test image into different versions that are hopefully closer to the training domain. Unfortunately, due to the vast diversity of instance scale and image styles, many augmented test images produce undesirable results, thus lowering the overall performance. This work proposes a new TTA framework, S$^3$-TTA, which selects the suitable image scale and style for each test image based on a transformation consistency metric. In addition, S$^3$-TTA constructs an end-to-end augmentation-segmentation joint-training pipeline to ensure a task-oriented augmentation. On public benchmarks for cell and lung segmentation, S$^3$-TTA demonstrates improvements over the prior art by 3.4% and 1.3%, respectively, by simply augmenting the input data in testing phase.
• Abstract（参考訳）: ディープラーニングモデルは、バイオメディカルイメージセグメンテーションで成功している。 実世界のデプロイを一般化するために、テスト時間拡張(TTA)メソッドは、テストイメージをトレーニングドメインに近いさまざまなバージョンに変換するためにしばしば使用される。 残念ながら、インスタンススケールとイメージスタイルの多様さのため、多くの拡張テストイメージは望ましくない結果をもたらし、全体的なパフォーマンスが低下する。 本研究は,変換整合度基準に基づいて,各テスト画像に対して適切な画像スケールとスタイルを選択する新しいTTAフレームワークであるS$^3$-TTAを提案する。 さらに、S$^3$-TTAは、タスク指向の強化を保証するために、エンドツーエンドの強化強化共同トレーニングパイプラインを構築する。 S$^3$-TTAは、細胞と肺のセグメンテーションのための公開ベンチマークにおいて、テストフェーズで入力データを増やすことで、それぞれ3.4%と1.3%の改善を示す。

関連論文リスト

• Test-Time Generative Augmentation for Medical Image Segmentation [20.12850876150199]
  本稿では,テスト期間中の医用画像のセグメンテーションを強化する新しい手法を提案する。 入力テスト画像に手作り変換や関数を使う代わりに、先進的なドメインファインチューニング生成モデル(GM)の利用を提唱する。 医用画像分割作業におけるTTGAの有効性と有用性を示す実験を行った。
  論文  参考訳（メタデータ） (2024-06-25T14:53:01Z)
• Single Image Test-Time Adaptation for Segmentation [22.600586011303363]
  この研究では、セグメンテーションモデルを、テスト時に利用可能な他のデータなしで、単一のラベルのないイメージに適応させる方法について検討する。 特に、この研究は、テスト時の自己監督的損失を最適化することで適応に焦点を当てている。 我々のベースラインへの追加は、非適応ベースラインよりも3.51と3.28%増加する。
  論文  参考訳（メタデータ） (2023-09-25T11:31:18Z)
• Self-Sampling Meta SAM: Enhancing Few-shot Medical Image Segmentation with Meta-Learning [17.386754270460273]
  数ショットの医用画像分割のための自己サンプリングメタSAMフレームワークを提案する。 提案手法は,数発のセグメンテーションにおいて最先端の手法よりも大幅に向上する。 そこで本研究では,対話型画像分割における高速なオンライン適応手法を提案する。
  論文  参考訳（メタデータ） (2023-08-31T05:20:48Z)
• DLTTA: Dynamic Learning Rate for Test-time Adaptation on Cross-domain Medical Images [56.72015587067494]
  DLTTAと呼ばれるテスト時間適応のための新しい動的学習率調整法を提案する。 本手法は,現在最先端のテスト時間適応法よりも一貫した性能向上を図り,有効かつ高速なテスト時間適応を実現する。
  論文  参考訳（メタデータ） (2022-05-27T02:34:32Z)
• Automatic size and pose homogenization with spatial transformer network to improve and accelerate pediatric segmentation [51.916106055115755]
  空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。 私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。 腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
  論文  参考訳（メタデータ） (2021-07-06T14:50:03Z)
• MT3: Meta Test-Time Training for Self-Supervised Test-Time Adaption [69.76837484008033]
  ディープラーニングの未解決の問題は、ニューラルネットワークがテスト時間中のドメインシフトに対処する能力である。 メタラーニング、自己監督、テストタイムトレーニングを組み合わせて、目に見えないテスト分布に適応する方法を学びます。 この手法はcifar-10による画像分類ベンチマークの最先端結果を大幅に改善する。
  論文  参考訳（メタデータ） (2021-03-30T09:33:38Z)
• Generalize Ultrasound Image Segmentation via Instant and Plug & Play Style Transfer [65.71330448991166]
  ディープセグメンテーションモデルは、外観が不明な画像に一般化する。 モデルの再トレーニングは、高いレイテンシと複雑なパイプラインにつながる。 未知の外観変化下での堅牢なセグメンテーションのための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-01-11T05:45:30Z)
• Permuted AdaIN: Reducing the Bias Towards Global Statistics in Image Classification [97.81205777897043]
  近年の研究では、畳み込みニューラルネットワーク分類器は形状を犠牲にしてテクスチャを過度に依存していることが示されている。 一方、形状と局所像の区別は類似しているが異なるが、一方、グローバル画像統計は異なる。 提案手法は,pAdaIN (Permuted Adaptive Instance Normalization) と呼ばれ,画像分類器の隠蔽層におけるグローバル統計の表現を減少させる。
  論文  参考訳（メタデータ） (2020-10-09T16:38:38Z)
• Anatomical Data Augmentation via Fluid-based Image Registration [23.280420626023755]
  医用画像解析のための流体画像強調法を提案する。 既存の手法とは対照的に,我々のフレームワークは測地線部分空間を介して有意義な画像を生成する。
  論文  参考訳（メタデータ） (2020-07-05T21:06:00Z)

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。