論文の概要: Domain Adaptation of Echocardiography Segmentation Via Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2406.17902v1
- Date: Tue, 25 Jun 2024 19:26:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-27 15:27:11.637615
- Title: Domain Adaptation of Echocardiography Segmentation Via Reinforcement Learning
- Title（参考訳）: 心エコー図の領域適応 : 強化学習による検討
- Authors: Arnaud Judge, Thierry Judge, Nicolas Duchateau, Roman A. Sandler, Joseph Z. Sokol, Olivier Bernard, Pierre-Marc Jodoin,
- Abstract要約: 我々はRL4Segを紹介した。RL4Segは革新的な強化学習フレームワークで、ターゲットドメインに専門的な注釈付きデータセットを組み込む必要がなくなる。
RL4Segは1万枚の未診断2D心エコー画像のターゲットデータセットを用いて、ターゲットドメインから220名の専門家検証対象のサブセットに対して99%の解剖学的妥当性を達成している。
- 参考スコア（独自算出の注目度）: 4.850478245721347
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Performance of deep learning segmentation models is significantly challenged in its transferability across different medical imaging domains, particularly when aiming to adapt these models to a target domain with insufficient annotated data for effective fine-tuning. While existing domain adaptation (DA) methods propose strategies to alleviate this problem, these methods do not explicitly incorporate human-verified segmentation priors, compromising the potential of a model to produce anatomically plausible segmentations. We introduce RL4Seg, an innovative reinforcement learning framework that reduces the need to otherwise incorporate large expertly annotated datasets in the target domain, and eliminates the need for lengthy manual human review. Using a target dataset of 10,000 unannotated 2D echocardiographic images, RL4Seg not only outperforms existing state-of-the-art DA methods in accuracy but also achieves 99% anatomical validity on a subset of 220 expert-validated subjects from the target domain. Furthermore, our framework's reward network offers uncertainty estimates comparable with dedicated state-of-the-art uncertainty methods, demonstrating the utility and effectiveness of RL4Seg in overcoming domain adaptation challenges in medical image segmentation.
- Abstract（参考訳）: 深層学習セグメンテーションモデルの性能は、異なる医用画像領域間での転送性において、特に効果的な微調整のために注釈付きデータが不十分なターゲット領域にこれらのモデルを適応させようとする場合には、大きな課題となる。
既存のドメイン適応(DA)手法ではこの問題を緩和する戦略が提案されているが、これらの手法は人間の検証されたセグメンテーションを明示的に組み込んでおらず、解剖学的に妥当なセグメンテーションを生成するモデルの可能性について論じている。
我々は、RL4Segという革新的な強化学習フレームワークを導入し、ターゲットドメインに専門的な注釈付きデータセットを組み込む必要を減らし、長い手作業によるレビューの必要性を排除した。
1万枚の未注釈2D心エコー画像のターゲットデータセットを用いて、RL4Segは既存の最先端DA法を精度良く上回るだけでなく、ターゲットドメインから220名の専門家検証対象のサブセットに対して99%の解剖学的妥当性を達成する。
さらに、我々のフレームワークの報奨ネットワークは、医療画像セグメンテーションにおける領域適応課題の克服におけるRL4Segの有用性と有効性を実証し、最先端の不確実性手法に匹敵する不確実性推定を提供する。
関連論文リスト
- An Uncertainty-guided Tiered Self-training Framework for Active Source-free Domain Adaptation in Prostate Segmentation [10.061310311839856]
Source-free Domain Adaptation (SFDA)は、プライバシとセキュリティ上の問題に対処するために、深いセグメンテーションモデルを適用するための有望なテクニックである。
安定したドメイン適応を実現するための新しい不確実性誘導型自己学習(UGTST)フレームワークを提案する。
論文 参考訳（メタデータ） (2024-07-03T08:13:16Z) - Subject-Based Domain Adaptation for Facial Expression Recognition [51.10374151948157]
ディープラーニングモデルを特定の対象個人に適用することは、難しい表情認識タスクである。
本稿では、FERにおける主観的ドメイン適応のための新しいMSDA手法を提案する。
複数の情報源からの情報を効率的に利用して、ディープFERモデルを単一のターゲット個人に適応させる。
論文 参考訳（メタデータ） (2023-12-09T18:40:37Z) - Domain-Adaptive Learning: Unsupervised Adaptation for Histology Images
with Improved Loss Function Combination [3.004632712148892]
本稿では,H&E染色組織像を対象とした非教師なし領域適応(UDA)のための新しいアプローチを提案する。
本手法では, 組織像に特有の課題に対処するために, 慎重に選択された既存の損失関数とともに, 新たな損失関数を提案する。
提案手法は, 組織像の最先端技術を超え, 精度, 堅牢性, 一般化の面で広く評価されている。
論文 参考訳（メタデータ） (2023-09-29T12:11:16Z) - Dual-Reference Source-Free Active Domain Adaptation for Nasopharyngeal
Carcinoma Tumor Segmentation across Multiple Hospitals [9.845637899896365]
鼻咽頭癌(Nasopharyngeal carcinoma, NPC)は頭頸部の悪性腫瘍である。
本稿では,Gross tumor Volume (GTV)セグメンテーションタスクの領域適応を容易にするために,新しい Sourece-Free Active Domain Adaptation (SFADA) フレームワークを提案する。
5つの病院から1057人のNPC患者からなる大規模臨床データセットを収集し,そのアプローチを検証した。
論文 参考訳（メタデータ） (2023-09-23T15:26:27Z) - Taxonomy Adaptive Cross-Domain Adaptation in Medical Imaging via
Optimization Trajectory Distillation [73.83178465971552]
自動医用画像解析の成功は、大規模かつ専門家による注釈付きトレーニングセットに依存する。
非教師なしドメイン適応(UDA)はラベル付きデータ収集の負担を軽減するための有望なアプローチである。
本稿では,2つの技術的課題に新しい視点から対処する統一的手法である最適化トラジェクトリ蒸留を提案する。
論文 参考訳（メタデータ） (2023-07-27T08:58:05Z) - Unsupervised Domain Adaptation for Low-dose CT Reconstruction via Bayesian Uncertainty Alignment [32.632944734192435]
低線量CT(LDCT)画像再構成技術は、許容画質を維持しつつ、患者の放射線被曝を減らすことができる。
この問題ではディープラーニングが広く用いられているが、臨床シナリオではデータテストのパフォーマンスが劣化することが多い。
LDCT再構成の教師なし領域適応(UDA)は分布アライメントによってこの問題を解決するために提案されている。
論文 参考訳（メタデータ） (2023-02-26T07:10:09Z) - Anatomy-guided domain adaptation for 3D in-bed human pose estimation [62.3463429269385]
3次元人間のポーズ推定は臨床モニタリングシステムにおいて重要な要素である。
ラベル付きソースからシフトしたラベル付きターゲットドメインにモデルを適応させる新しいドメイン適応方式を提案する。
我々の手法は、様々な最先端のドメイン適応法より一貫して優れています。
論文 参考訳（メタデータ） (2022-11-22T11:34:51Z) - Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training
for Road Segmentation of Remote Sensing Images [93.50240389540252]
リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。
本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。
2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
論文 参考訳（メタデータ） (2021-08-28T09:29:14Z) - Cross-Modality Brain Tumor Segmentation via Bidirectional
Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。
具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。
提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
論文 参考訳（メタデータ） (2021-05-17T10:11:45Z) - 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) - Domain Adaptive Medical Image Segmentation via Adversarial Learning of
Disease-Specific Spatial Patterns [6.298270929323396]
複数の領域にまたがる画像セグメンテーション性能を向上させるための教師なしドメイン適応フレームワークを提案する。
我々は,不適切なセグメンテーションパターンを拒絶し,意味情報や境界情報を通じて暗黙的に学習することで,新しいデータに適応するようにアーキテクチャを強制する。
対象領域からのラベルなし画像上でのディープネットワークの再構成により,セグメント化精度が大幅に向上することが実証された。
論文 参考訳（メタデータ） (2020-01-25T13:48:02Z)
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。