論文の概要: Medical Image Segmentation with Domain Adaptation: A Survey

• arxiv url: http://arxiv.org/abs/2311.01702v1
• Date: Fri, 3 Nov 2023 04:17:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-06 15:09:46.847025
• Title: Medical Image Segmentation with Domain Adaptation: A Survey
• Title（参考訳）: 領域適応による医用画像のセグメンテーション : アンケート調査
• Authors: Yuemeng Li, Yong Fan
• Abstract要約: 本稿では,DLに基づく医用画像セグメンテーションのためのドメイン適応アプローチについて述べる。 まず、まず、ドメイン適応の基礎となるモチベーションと背景知識を示し、医用画像のセグメンテーションにおけるドメイン適応の適用についてレビューする。 我々の目標は、医用画像分割研究における領域適応の適用について、研究者に最新のリファレンスを提供することであった。
• 参考スコア（独自算出の注目度）: 0.38979646385036165
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning (DL) has shown remarkable success in various medical imaging data analysis applications. However, it remains challenging for DL models to achieve good generalization, especially when the training and testing datasets are collected at sites with different scanners, due to domain shift caused by differences in data distributions. Domain adaptation has emerged as an effective means to address this challenge by mitigating domain gaps in medical imaging applications. In this review, we specifically focus on domain adaptation approaches for DL-based medical image segmentation. We first present the motivation and background knowledge underlying domain adaptations, then provide a comprehensive review of domain adaptation applications in medical image segmentations, and finally discuss the challenges, limitations, and future research trends in the field to promote the methodology development of domain adaptation in the context of medical image segmentation. Our goal was to provide researchers with up-to-date references on the applications of domain adaptation in medical image segmentation studies.
• Abstract（参考訳）: 深層学習(DL)は様々な医用画像データ分析アプリケーションで顕著に成功している。 しかし、特にデータ分布の違いによるドメインシフトのため、異なるスキャナーを持つサイトでデータセットのトレーニングとテストが収集される場合、dlモデルが優れた一般化を達成することは依然として困難である。 ドメイン適応は、医療画像アプリケーションにおけるドメインギャップを緩和することで、この課題に対処する効果的な手段として現れています。 本稿では,DLに基づく医用画像セグメンテーションのための領域適応アプローチについて述べる。 まず、ドメイン適応の基礎となるモチベーションと背景知識を提示し、次に医療画像セグメンテーションにおけるドメイン適応アプリケーションの包括的レビューを行い、最終的に医療画像セグメンテーションの文脈におけるドメイン適応の方法論開発を促進する分野における課題、限界、今後の研究動向について論じる。 本研究の目的は,医学画像分割研究におけるドメイン適応の応用に関する最新の文献を研究者に提供することである。

関連論文リスト

• Few Exemplar-Based General Medical Image Segmentation via Domain-Aware Selective Adaptation [28.186785488818135]
  医用画像のセグメンテーションは、ドメインのギャップ、データモダリティの変化、ドメインの知識や専門家への依存による課題を引き起こす。 本稿では,自然画像で訓練した大規模モデルから学習した一般知識を,対応する医療領域・モダリティに適応させるための,ドメイン対応選択的適応手法を提案する。
  論文  参考訳（メタデータ） (2024-10-11T21:00:57Z)
• A Survey on Domain Generalization for Medical Image Analysis [9.410880477358942]
  MedIAのドメイン一般化は、未知のデータ分散を効果的に一般化し、堅牢に実行することで、ドメインシフトの課題に対処することを目的としている。 医療分野におけるドメインシフトとドメイン一般化の正式な定義を提供し、関連するいくつかの設定について議論する。 データ操作レベル,特徴表現レベル,モデルトレーニングレベルという3つの視点から,最近の手法を要約し,いくつかのアルゴリズムを詳細に提示する。
  論文  参考訳（メタデータ） (2024-02-07T17:08:27Z)
• Single-domain Generalization in Medical Image Segmentation via Test-time Adaptation from Shape Dictionary [64.5632303184502]
  ドメインの一般化は通常、モデル学習のために複数のソースドメインからのデータを必要とする。 本稿では,1つのソースドメインのみで最悪のシナリオ下でモデルを学習し,異なる未確認対象ドメインに直接一般化する,重要な単一ドメインの一般化問題について考察する。 本稿では,領域間で不変なセグメンテーションのセグメンテーション先情報を抽出し,統合する医用画像セグメンテーションにおいて,この問題に対処する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-06-29T08:46:27Z)
• C-MADA: Unsupervised Cross-Modality Adversarial Domain Adaptation framework for medical Image Segmentation [0.8680676599607122]
  医用画像セグメンテーションのための教師なしクロスモダリティ適応(C-MADA)フレームワークを提案する。 C-MADAは画像と特徴レベルの適応を逐次的に実装する。 脳MRIのセグメンテーションのタスクでテストされ、競争力のある結果を得る。
  論文  参考訳（メタデータ） (2021-10-29T14:34:33Z)
• 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)
• Domain Adaptation via CycleGAN for Retina Segmentation in Optical Coherence Tomography [0.09490124006642771]
  光コヒーレンス・トモグラフィ(OCT)ボリュームの領域適応のためのCycleGAN(Cycle-Consistent Generative Adrative Networks)の実装について検討した。 この研究は、サイモンフレーザー大学のバイオメディカル光学研究グループと機能・解剖学的イメージング・形状解析研究所と共同で行われた。
  論文  参考訳（メタデータ） (2021-07-06T02:07:53Z)
• Domain Generalization on Medical Imaging Classification using Episodic Training with Task Augmentation [62.49837463676111]
  本稿では,医用画像分類におけるタスク強化によるエピソードトレーニングの新たな手法を提案する。 実際の医療展開において、限られた数のソースドメインによって動機付けられ、ユニークなタスクレベルのオーバーフィッティングを検討します。
  論文  参考訳（メタデータ） (2021-06-13T03:56:59Z)
• Domain Adaptation for Medical Image Analysis: A Survey [28.365579324731247]
  医用画像解析で使用される機械学習技術は通常、ソース/参照データとターゲットデータの間の異なる分布に起因するドメインシフト問題に悩まされる。 有望なソリューションとして、ドメイン適応は近年大きな注目を集めています。 この調査により、研究者は現在の状況や課題をよりよく理解できるようになる。
  論文  参考訳（メタデータ） (2021-02-18T17:49:08Z)
• 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)
• Domain Shift in Computer Vision models for MRI data analysis: An Overview [64.69150970967524]
  機械学習とコンピュータビジョン手法は、医用画像解析において優れた性能を示している。 しかし、現在臨床応用はごくわずかである。 異なるソースや取得ドメインのデータへのモデルの不適切な転送性は、その理由の1つです。
  論文  参考訳（メタデータ） (2020-10-14T16:34:21Z)
• 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)

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。