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
- GAN-GA: A Generative Model based on Genetic Algorithm for Medical Image
Generation [0.0]
生成モデルは、医療画像不足問題に対処するための有望な解決策を提供する。
本稿では遺伝的アルゴリズムを組み込んだ生成モデルであるGAN-GAを提案する。
提案モデルは特徴を保ちながら画像の忠実度と多様性を向上させる。
論文 参考訳(メタデータ) (2023-12-30T20:16:45Z) - Improving Medical Report Generation with Adapter Tuning and Knowledge
Enhancement in Vision-Language Foundation Models [26.146579369491718]
この研究は、一般的な大規模基盤モデルをカスタマイズするための最先端のビジョン言語事前学習および微調整アプローチBLIP-2に基づく。
ImageCLEFmedical 2023のデータセットのバリデーションでは、いくつかの最先端手法に対して、最も優れた平均結果が得られる。
論文 参考訳(メタデータ) (2023-12-07T01:01:45Z) - 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) - Adapting Pretrained Vision-Language Foundational Models to Medical
Imaging Domains [3.8137985834223502]
臨床の文脈を忠実に描写する医療画像の生成モデルを構築することは、医療データセットの不明瞭さを軽減するのに役立つ。
安定拡散パイプラインのサブコンポーネントを探索し、モデルを微調整して医用画像を生成する。
我々の最良の性能モデルは、安定な拡散ベースラインを改善し、合成ラジオグラフィ画像に現実的な異常を挿入するように条件付けすることができる。
論文 参考訳(メタデータ) (2022-10-09T01:43:08Z) - Improving the Level of Autism Discrimination through GraphRNN Link
Prediction [8.103074928419527]
本稿では,GraphRNNを用いて実脳ネットワークのエッジ分布を学習する後者の手法に基づく。
実験の結果,オリジナルデータと合成データの組み合わせはニューラルネットワークの識別を大幅に改善することがわかった。
論文 参考訳(メタデータ) (2022-02-19T06:50:32Z) - 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) - Explaining Clinical Decision Support Systems in Medical Imaging using
Cycle-Consistent Activation Maximization [112.2628296775395]
ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。
臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。
そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
論文 参考訳(メタデータ) (2020-10-09T14:39:27Z) - 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) - Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant
Disease Diagnosis [64.82680813427054]
植物病は食料安全保障と作物生産に対する主要な脅威の1つである。
1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。
本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2020-03-17T09:51:30Z)
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。