論文の概要: DDA: Dimensionality Driven Augmentation Search for Contrastive Learning in Laparoscopic Surgery

• arxiv url: http://arxiv.org/abs/2406.00907v1
• Date: Mon, 3 Jun 2024 00:30:23 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-06 02:47:03.279903
• Title: DDA: Dimensionality Driven Augmentation Search for Contrastive Learning in Laparoscopic Surgery
• Title（参考訳）: DDA:腹腔鏡下手術におけるコントラスト学習のための次元駆動型拡張探索
• Authors: Yuning Zhou, Henry Badgery, Matthew Read, James Bailey, Catherine E. Davey,
• Abstract要約: DDA(Diality Driven Augmentation Search)と呼ばれる新しい手法により,適切な拡張ポリシーの検索を自動化する。 腹腔鏡下手術におけるDDAの有用性と有効性を示すとともに,適切なデータ拡張ポリシーの確立に成功している。
• 参考スコア（独自算出の注目度）: 8.223940676615857
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Self-supervised learning (SSL) has potential for effective representation learning in medical imaging, but the choice of data augmentation is critical and domain-specific. It remains uncertain if general augmentation policies suit surgical applications. In this work, we automate the search for suitable augmentation policies through a new method called Dimensionality Driven Augmentation Search (DDA). DDA leverages the local dimensionality of deep representations as a proxy target, and differentiably searches for suitable data augmentation policies in contrastive learning. We demonstrate the effectiveness and efficiency of DDA in navigating a large search space and successfully identifying an appropriate data augmentation policy for laparoscopic surgery. We systematically evaluate DDA across three laparoscopic image classification and segmentation tasks, where it significantly improves over existing baselines. Furthermore, DDA's optimised set of augmentations provides insight into domain-specific dependencies when applying contrastive learning in medical applications. For example, while hue is an effective augmentation for natural images, it is not advantageous for laparoscopic images.
• Abstract（参考訳）: 自己教師付き学習(SSL)は、医用画像における効果的な表現学習の可能性を秘めているが、データ拡張の選択は重要であり、ドメイン固有である。 一般的な拡大政策が外科的応用に当てはまるかどうかは不明である。 本研究では,DDA(Diality Driven Augmentation Search)と呼ばれる新しい手法を用いて,適切な拡張ポリシーの探索を自動化する。 DDAは、ディープ表現の局所的な次元性をプロキシターゲットとして利用し、コントラスト学習において適切なデータ拡張ポリシーを微分的に検索する。 腹腔鏡下手術におけるDDAの有用性と有効性を示すとともに,適切なデータ拡張ポリシーの確立に成功している。 DDAを3つの腹腔鏡画像分類とセグメンテーションタスクで体系的に評価し,既存のベースラインよりも有意に改善した。 さらに、DDAの最適化された拡張セットは、医療アプリケーションに対照的な学習を適用する際に、ドメイン固有の依存関係に関する洞察を提供する。 例えば、hueは自然画像に有効な拡張であるが、腹腔鏡画像には有利ではない。

関連論文リスト

• 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)
• Cross-Dataset Adaptation for Instrument Classification in Cataract Surgery Videos [54.1843419649895]
  特定のデータセットでこのタスクをうまく実行する最先端モデルでは、別のデータセットでテストすると、パフォーマンスが低下する。 本稿では,Barlow Adaptorと呼ばれる新しいエンドツーエンドのUnsupervised Domain Adaptation (UDA)手法を提案する。 さらに,BFAL(Barlow Feature Alignment Loss)と呼ばれる,異なるドメインにまたがる特徴を整列させる新たな損失を導入する。
  論文  参考訳（メタデータ） (2023-07-31T18:14:18Z)
• MedAugment: Universal Automatic Data Augmentation Plug-in for Medical Image Analysis [9.724228319915609]
  データ拡張(DA)は、データ不足を軽減するためにコンピュータビジョンで広く活用されている。 医学画像解析(MIA)におけるDAは、複数の課題に直面している。 我々はMedAugmentと呼ばれる効率的かつ効果的な自動DA手法を提案する。
  論文  参考訳（メタデータ） (2023-06-30T08:22:48Z)
• Semantic segmentation of surgical hyperspectral images under geometric domain shifts [69.91792194237212]
  本稿では、幾何学的アウト・オブ・ディストリビューション(OOD)データの存在下で、最先端のセマンティックセグメンテーションネットワークを初めて分析する。 有機移植(Organ transplantation)と呼ばれる専用の拡張技術により、一般化可能性にも対処する。 提案手法は,SOA DSCの最大67 % (RGB) と90% (HSI) を改善し,実際のOODテストデータ上での分配内性能と同等の性能を示す。
  論文  参考訳（メタデータ） (2023-03-20T09:50:07Z)
• RangeAugment: Efficient Online Augmentation with Range Learning [54.61514286212455]
  RangeAugmentは、個々の大きさと複合オーグメンテーション操作を効率よく学習する。 本研究では,RangeAugmentの4～5倍の精度で,最先端自動拡張手法の競争性能が向上することを示す。
  論文  参考訳（メタデータ） (2022-12-20T18:55:54Z)
• AADG: Automatic Augmentation for Domain Generalization on Retinal Image Segmentation [1.0452185327816181]
  AADG(Automated Augmentation for Domain Generalization)と呼ばれるデータ操作に基づくドメイン一般化手法を提案する。 我々のAADGフレームワークは、新しいドメインを生成するデータ拡張ポリシーを効果的にサンプリングすることができる。 提案するAADGは,最先端の一般化性能を示し,既存手法より優れている。
  論文  参考訳（メタデータ） (2022-07-27T02:26:01Z)
• Colorectal Polyp Classification from White-light Colonoscopy Images via Domain Alignment [57.419727894848485]
  大腸内視鏡画像からの正確な診断を支援するためには,コンピュータ支援診断システムが必要である。 これまでのほとんどの研究では、Narrow-Band Imaging (NBI) や他の拡張画像を用いて、ポリプの分化モデルの開発を試みている。 正確な大腸ポリープ分類のための教師/学生アーキテクチャに基づく新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-08-05T09:31:46Z)
• Unsupervised Adversarial Domain Adaptation For Barrett's Segmentation [0.8602553195689513]
  自動セグメンテーションは臨床内科医がバレットの食道領域をより正確に評価し治療するのに役立つ。 教師付きモデルは、トレーニングデータにすべてのデータ変動を組み込んだ大量の手動アノテーションを必要とします。 本稿では,unsupervised domain adaptation technique (uda) を適用することで,この問題を軽減することを目的とする。 その結果, UDA ベースのアプローチは, 従来の U-Net セグメント化を Dice 類似度係数と交差オーバーユニオンの両方で 10% 近く上回ることが示された。
  論文  参考訳（メタデータ） (2020-12-09T20:59:25Z)
• Automatic Data Augmentation for 3D Medical Image Segmentation [37.262350163905445]
  医用画像分割作業において、識別可能な自動データ拡張が採用されたのは、これが初めてである。 我々の数値実験により,提案手法は,最先端モデルの既存のビルトインデータ拡張を著しく上回っていることが示された。
  論文  参考訳（メタデータ） (2020-10-07T12:51:17Z)
• Automatic Data Augmentation via Deep Reinforcement Learning for Effective Kidney Tumor Segmentation [57.78765460295249]
  医用画像セグメンテーションのための新しい学習ベースデータ拡張法を開発した。 本手法では,データ拡張モジュールと後続のセグメンテーションモジュールをエンドツーエンドのトレーニング方法で一貫した損失と,革新的に組み合わせる。 提案法の有効性を検証したCT腎腫瘍分節法について,本法を広範囲に評価した。
  論文  参考訳（メタデータ） (2020-02-22T14:10:13Z)

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。