Fugu-MT 論文翻訳(概要): Cross-Dataset Generalization For Retinal Lesions Segmentation

論文の概要: Cross-Dataset Generalization For Retinal Lesions Segmentation

arxiv url: http://arxiv.org/abs/2405.08329v1
Date: Tue, 14 May 2024 05:52:01 GMT
ステータス: 処理完了
システム内更新日: 2024-05-15 14:58:01.202570
Title: Cross-Dataset Generalization For Retinal Lesions Segmentation
Title（参考訳）: 網膜病変分割のためのクロスデータセット一般化
Authors: Clément Playout, Farida Cheriet,
Abstract要約: 本研究は,複数の既知のデータセットを特徴付け,モデルの一般化性能を向上させるために提案された様々な手法を比較する。以上の結果から,粗いラベル付きデータを微細なデータセットと組み合わせて病変のセグメンテーションを改善する方法についての知見が得られた。
参考スコア（独自算出の注目度）: 2.1160877779256126
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Identifying lesions in fundus images is an important milestone toward an automated and interpretable diagnosis of retinal diseases. To support research in this direction, multiple datasets have been released, proposing groundtruth maps for different lesions. However, important discrepancies exist between the annotations and raise the question of generalization across datasets. This study characterizes several known datasets and compares different techniques that have been proposed to enhance the generalisation performance of a model, such as stochastic weight averaging, model soups and ensembles. Our results provide insights into how to combine coarsely labelled data with a finely-grained dataset in order to improve the lesions segmentation.
Abstract（参考訳）: 眼底画像における病変の同定は、網膜疾患の自動化および解釈可能な診断に向けた重要なマイルストーンである。この方向の研究を支援するために、複数のデータセットがリリースされ、異なる病変に対する基底マップが提案されている。しかし、アノテーションの間に重要な相違があり、データセット間の一般化の問題を提起する。本研究は、いくつかの既知のデータセットを特徴付け、確率的ウェイト平均化、モデルスープ、アンサンブルなどのモデルの一般化性能を高めるために提案された様々な手法を比較する。以上の結果から,粗いラベル付きデータを微細なデータセットと組み合わせて病変のセグメンテーションを改善する方法についての知見が得られた。

関連論文リスト

Toward Generalizable Multiple Sclerosis Lesion Segmentation Models [0.0]
本研究の目的は,多様な評価データセットにまたがる一般化モデルを開発することである。私たちは、最先端のUNet++アーキテクチャを体系的にトレーニングした、高品質で公開可能なすべてのMS病変セグメンテーションデータセットを使用しました。
論文参考訳（メタデータ） (2024-10-25T15:21:54Z)
Multi-style conversion for semantic segmentation of lesions in fundus images by adversarial attacks [2.123492791776905]
本稿では,多様なデータベースにまたがるアノテーションスタイルの標準化の欠如に対処するため,逆変換と呼ばれる新しい手法を提案する。統合データベース上で単一のアーキテクチャをトレーニングすることにより、モデルは入力に応じて自発的にセグメンテーションスタイルを変更する。その結果,モデルの改良,不確実性推定,連続的一般化の道程として,データセットの組み合わせによる有意な質的,定量的な評価が得られた。
論文参考訳（メタデータ） (2024-10-17T17:48:17Z)
Few-shot learning for COVID-19 Chest X-Ray Classification with Imbalanced Data: An Inter vs. Intra Domain Study [49.5374512525016]
医療画像データセットは、コンピュータ支援診断、治療計画、医学研究に使用される訓練モデルに不可欠である。データ分散のばらつき、データの不足、ジェネリックイメージから事前トレーニングされたモデルを使用する場合の転送学習の問題などである。本稿では,データ不足と分散不均衡の影響を軽減するために,一連の手法を統合したシームズニューラルネットワークに基づく手法を提案する。
論文参考訳（メタデータ） (2024-01-18T16:59:27Z)
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)
Interpretability-guided Data Augmentation for Robust Segmentation in Multi-centre Colonoscopy Data [0.4915744683251151]
本稿では,解釈可能性のサリエンシマップを中心にした,革新的なデータ拡張手法を提案する。提案手法は,異なるセグメンテーションモデルとドメイン間のロバスト性の向上を実証する。
論文参考訳（メタデータ） (2023-08-30T09:03:28Z)
Domain Generalization with Adversarial Intensity Attack for Medical Image Segmentation [27.49427483473792]
実世界のシナリオでは、トレーニング中に露出していない新しいドメインや異なるドメインのデータに遭遇することが一般的である。ドメイン一般化(Domain Generalization, DG)は、モデルがこれまで見つからなかったドメインからのデータを扱うことを可能にする、有望な方向である。本稿では,敵対的トレーニングを活用して無限のスタイルでトレーニングデータを生成する,AdverIN(Adversarial Intensity Attack)と呼ばれる新しいDG手法を提案する。
論文参考訳（メタデータ） (2023-04-05T19:40:51Z)
Augmentation based unsupervised domain adaptation [2.304713283039168]
小さく非表現的なデータに基づいてトレーニングされたディープラーニングモデルは、トレーニングに使用されるものと異なるデータにデプロイされた場合、パフォーマンスが向上する傾向があります。本手法は, 対向領域適応と整合性トレーニングの特性を利用して, より堅牢な適応を実現する。
論文参考訳（メタデータ） (2022-02-23T13:06:07Z)
Learning from Partially Overlapping Labels: Image Segmentation under Annotation Shift [68.6874404805223]
腹部臓器分節の文脈におけるラベルの重複から学ぶためのいくつかの方法を提案する。半教師付きアプローチと適応的クロスエントロピー損失を組み合わせることで、不均一な注釈付きデータをうまく活用できることが判明した。
論文参考訳（メタデータ） (2021-07-13T09:22:24Z)
Trajectories, bifurcations and pseudotime in large clinical datasets: applications to myocardial infarction and diabetes data [94.37521840642141]
混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
論文参考訳（メタデータ） (2020-07-07T21:04:55Z)
Temporal Phenotyping using Deep Predictive Clustering of Disease Progression [97.88605060346455]
我々は、時系列データをクラスタリングするためのディープラーニングアプローチを開発し、各クラスタは、同様の将来的な結果を共有する患者から構成される。 2つの実世界のデータセットに対する実験により、我々のモデルは最先端のベンチマークよりも優れたクラスタリング性能が得られることが示された。
論文参考訳（メタデータ） (2020-06-15T20:48:43Z)
Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。