論文の概要: Enhancing and Adapting in the Clinic: Source-free Unsupervised Domain
Adaptation for Medical Image Enhancement
- arxiv url: http://arxiv.org/abs/2312.01338v1
- Date: Sun, 3 Dec 2023 10:01:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-05 17:43:16.914276
- Title: Enhancing and Adapting in the Clinic: Source-free Unsupervised Domain
Adaptation for Medical Image Enhancement
- Title（参考訳）: クリニックの強化と適応:医療画像強調のためのソースフリー非教師なしドメイン適応
- Authors: Heng Li, Ziqin Lin, Zhongxi Qiu, Zinan Li, Huazhu Fu, Yan Hu, Jiang
Liu
- Abstract要約: ソースレス非教師なし領域適応医療画像強調法(SAME)を提案する。
構造化学習データからロバストなソースモデルを学習するために,まず構造保存強化ネットワークを構築した。
強化タスクの知識蒸留を促進するために擬似ラベルピッカーを開発した。
- 参考スコア（独自算出の注目度）: 34.11633495477596
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Medical imaging provides many valuable clues involving anatomical structure
and pathological characteristics. However, image degradation is a common issue
in clinical practice, which can adversely impact the observation and diagnosis
by physicians and algorithms. Although extensive enhancement models have been
developed, these models require a well pre-training before deployment, while
failing to take advantage of the potential value of inference data after
deployment. In this paper, we raise an algorithm for source-free unsupervised
domain adaptive medical image enhancement (SAME), which adapts and optimizes
enhancement models using test data in the inference phase. A
structure-preserving enhancement network is first constructed to learn a robust
source model from synthesized training data. Then a teacher-student model is
initialized with the source model and conducts source-free unsupervised domain
adaptation (SFUDA) by knowledge distillation with the test data. Additionally,
a pseudo-label picker is developed to boost the knowledge distillation of
enhancement tasks. Experiments were implemented on ten datasets from three
medical image modalities to validate the advantage of the proposed algorithm,
and setting analysis and ablation studies were also carried out to interpret
the effectiveness of SAME. The remarkable enhancement performance and benefits
for downstream tasks demonstrate the potential and generalizability of SAME.
The code is available at
https://github.com/liamheng/Annotation-free-Medical-Image-Enhancement.
- Abstract（参考訳）: 医用イメージングは解剖学的構造と病理学的特徴を含む多くの貴重な手がかりを提供する。
しかし、画像劣化は臨床実践において一般的な問題であり、医師やアルゴリズムによる観察と診断に悪影響を及ぼす可能性がある。
広範な拡張モデルが開発されているが、これらのモデルはデプロイメント前に十分な事前トレーニングが必要であり、デプロイ後の推論データの潜在的な価値を活用できない。
本稿では,ソースフリーな領域適応型医用画像強調法(SAME)のアルゴリズムを提案し,推論フェーズにおけるテストデータを用いた拡張モデルを適応・最適化する。
合成されたトレーニングデータからロバストなソースモデルを学ぶために、構造保存強化ネットワークをまず構築する。
そして、教師学習モデルとソースモデルとを初期化し、テストデータとの知識蒸留によりソースフリー非教師ドメイン適応(sfuda)を行う。
また,改良作業の知識蒸留を促進するために疑似ラベルピッカーを開発した。
提案アルゴリズムの利点を検証するために,3つの医用画像モダリティから10個のデータセットを用いて実験を行い,その効果を解釈するために,設定解析とアブレーションの研究も行った。
下流タスクにおける顕著な性能向上とメリットは、 them の可能性と一般化性を示している。
コードはhttps://github.com/liamheng/annotation-free-medical-image-enhancementで入手できる。
関連論文リスト
- LoRKD: Low-Rank Knowledge Decomposition for Medical Foundation Models [59.961172635689664]
知識分解」は、特定の医療課題のパフォーマンス向上を目的としている。
我々はLow-Rank Knowledge Decomposition(LoRKD)という新しいフレームワークを提案する。
LoRKDは、低ランクのエキスパートモジュールと効率的な知識分離畳み込みを組み込むことで、グラデーションを異なるタスクから明確に分離する。
論文 参考訳（メタデータ） (2024-09-29T03:56:21Z) - Unsupervised Feature Orthogonalization for Learning Distortion-Invariant Representations [0.13108652488669734]
本研究では、教師なし特徴の直交化と視覚変換器の能力を統合する新しい手法であるunORANIC+を紹介する。
unORANIC+の合理化アーキテクチャは、解剖学的および画像特異的な属性を効果的に分離し、堅牢で偏りのない潜在表現をもたらす。
大規模な実験は、UnORANIC+の復元能力、腐敗の回復力、および既存の画像歪みを修正する能力を示す。
本手法を先進的な医用画像解析のための有望なアルゴリズムとして位置づけた,多様な画像ソースとサンプルサイズのデータセットへの適応性を確認した。
論文 参考訳（メタデータ） (2024-09-18T19:25:38Z) - Distributed Federated Learning-Based Deep Learning Model for Privacy MRI Brain Tumor Detection [11.980634373191542]
分散トレーニングは、大規模な医用画像データセットの処理を容易にし、疾患診断の精度と効率を向上させる。
本稿では,データプライバシと効率的な疾患診断という2つの課題に対処するために,Federated Learning(FL)を活用した医用画像分類の革新的なアプローチを提案する。
論文 参考訳（メタデータ） (2024-04-15T09:07:19Z) - Adaptive Affinity-Based Generalization For MRI Imaging Segmentation Across Resource-Limited Settings [1.5703963908242198]
本稿では,適応親和性に基づく蒸留とカーネルベースの蒸留をシームレスに組み合わせた,新しい関係に基づく知識フレームワークを提案する。
革新的アプローチを検証するために,我々は公開されている複数ソースのMRIデータについて実験を行った。
論文 参考訳（メタデータ） (2024-04-03T13:35:51Z) - DetDiffusion: Synergizing Generative and Perceptive Models for Enhanced Data Generation and Perception [78.26734070960886]
現在の知覚モデルは、リソース集約的なデータセットに大きく依存している。
セグメンテーションを通じて知覚認識損失(P.A.損失)を導入し、品質と制御性の両方を改善した。
本手法は,世代間における知覚認識属性(P.A. Attr)の抽出と利用により,データ拡張をカスタマイズする。
論文 参考訳（メタデータ） (2024-03-20T04:58:03Z) - Which Augmentation Should I Use? An Empirical Investigation of Augmentations for Self-Supervised Phonocardiogram Representation Learning [5.438725298163702]
Contrastive Self-Supervised Learning (SSL)はラベル付きデータの不足に対する潜在的な解決策を提供する。
1次元心電図(PCG)分類におけるコントラスト学習の最適化を提案する。
トレーニング分布によっては、完全教師付きモデルの有効性が最大32%低下し、SSLモデルは最大10%低下し、場合によっては改善される。
論文 参考訳（メタデータ） (2023-12-01T11:06:00Z) - Interpretable Medical Image Classification using Prototype Learning and
Privileged Information [0.0]
解釈可能性はしばしば医療画像に必須の要件である。
本研究では,学習プロセスで利用可能な追加情報を用いて,理解しやすく強力なモデルを構築することができるかを検討する。
本稿では,カプセルネットワーク,プロトタイプ学習,特権情報の利用といったメリットを活用する,Proto-Capsと呼ばれる革新的なソリューションを提案する。
論文 参考訳（メタデータ） (2023-10-24T11:28:59Z) - 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) - On the Robustness of Pretraining and Self-Supervision for a Deep
Learning-based Analysis of Diabetic Retinopathy [70.71457102672545]
糖尿病網膜症における訓練方法の違いによる影響を比較検討した。
本稿では,定量的性能,学習した特徴表現の統計,解釈可能性,画像歪みに対する頑健性など,さまざまな側面について検討する。
以上の結果から,ImageNet事前学習モデルでは,画像歪みに対する性能,一般化,堅牢性が著しく向上していることが示唆された。
論文 参考訳（メタデータ） (2021-06-25T08:32:45Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2020-07-24T14:02:09Z)
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。