論文の概要: Distribution-Aware Replay for Continual MRI Segmentation
- arxiv url: http://arxiv.org/abs/2407.21216v1
- Date: Tue, 30 Jul 2024 21:59:02 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-01 19:14:52.987490
- Title: Distribution-Aware Replay for Continual MRI Segmentation
- Title(参考訳): 連続MRI分割のための分布認識リプレイ
- Authors: Nick Lemke, Camila González, Anirban Mukhopadhyay, Martin Mundt,
- Abstract要約: 本稿では,機能の自動エンコーディングによる忘れを緩和する分散対応リプレイ戦略を提案する。
海馬と前立腺MRIのセグメンテーションにおける経験的コロンボレーションについて検討した。
- 参考スコア(独自算出の注目度): 6.3591338382188916
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Medical image distributions shift constantly due to changes in patient population and discrepancies in image acquisition. These distribution changes result in performance deterioration; deterioration that continual learning aims to alleviate. However, only adaptation with data rehearsal strategies yields practically desirable performance for medical image segmentation. Such rehearsal violates patient privacy and, as most continual learning approaches, overlooks unexpected changes from out-of-distribution instances. To transcend both of these challenges, we introduce a distribution-aware replay strategy that mitigates forgetting through auto-encoding of features, while simultaneously leveraging the learned distribution of features to detect model failure. We provide empirical corroboration on hippocampus and prostate MRI segmentation.
- Abstract(参考訳): 医用画像の分布は、画像取得における患者数の変化と不一致により、常に変化している。
これらの分布の変化は性能の劣化をもたらし、継続的な学習がもたらす劣化は緩和される。
しかし, 医用画像のセグメンテーションにおいて, データリハーサル戦略にのみ適応することで, 実用的に望ましい性能が得られる。
このようなリハーサルは患者のプライバシーを侵害し、ほとんどの継続的な学習アプローチは、アウト・オブ・ディストリビューションのインスタンスから予期せぬ変化を見落としている。
両課題を克服するために,機能の自動エンコーディングによる忘れを軽減し,同時に学習した機能の分散を利用してモデル故障を検出する分散対応リプレイ戦略を導入する。
海馬と前立腺MRIのセグメンテーションにおける経験的コロンボレーションについて検討した。
関連論文リスト
- FedMedICL: Towards Holistic Evaluation of Distribution Shifts in Federated Medical Imaging [68.6715007665896]
FedMedICLは統合されたフレームワークであり、フェデレートされた医療画像の課題を全体評価するためのベンチマークである。
6種類の医用画像データセットについて,いくつかの一般的な手法を総合的に評価した。
単純なバッチ分散手法はFedMedICL実験全体の平均性能において,高度な手法を超越していることがわかった。
論文 参考訳(メタデータ) (2024-07-11T19:12:23Z) - AMLP:Adaptive Masking Lesion Patches for Self-supervised Medical Image
Segmentation [67.97926983664676]
自己監督型マスク画像モデリングは自然画像に対して有望な結果を示した。
しかし,このような手法を医用画像に直接適用することは依然として困難である。
適応型マスキング病変パッチ(AMLP)の自己管理型医用画像分割フレームワークを提案する。
論文 参考訳(メタデータ) (2023-09-08T13:18:10Z) - Diffusion Models for Counterfactual Generation and Anomaly Detection in
Brain Images [59.85702949046042]
病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。
健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
本手法が正常なサンプルに適用された場合,入力画像は大幅な修正を伴わずに再構成されることを確認した。
論文 参考訳(メタデータ) (2023-08-03T21:56:50Z) - Self-Supervised Few-Shot Learning for Ischemic Stroke Lesion
Segmentation [8.668715385199889]
トレーニング中に1つの注記標本のみを用いて,虚血性病変の分節に対する数発のセグメンテーション法を提案する。
我々はComputd Tomography Perfusion scanから生成されたカラーコードパラメトリックマップを利用する。
注記1例につき平均Diceスコア0.58が虚血性病変の分節に対して達成される。
論文 参考訳(メタデータ) (2023-03-02T15:10:08Z) - GraVIS: Grouping Augmented Views from Independent Sources for
Dermatology Analysis [52.04899592688968]
皮膚科画像から自己教師付き特徴を学習するために特に最適化されたGraVISを提案する。
GraVISは、病変のセグメンテーションと疾患分類のタスクにおいて、転送学習と自己教師型学習を著しく上回っている。
論文 参考訳(メタデータ) (2023-01-11T11:38:37Z) - Segmentation Consistency Training: Out-of-Distribution Generalization
for Medical Image Segmentation [2.0978389798793873]
一般化可能性(Generalizability)は、特に医用画像の領域において、ディープラーニングにおける大きな課題の1つと見なされている。
本稿では,データ拡張の代替として,一貫性トレーニング(Consistency Training)を導入する。
一貫性トレーニングは、いくつかのアウト・オブ・ディストリビューションデータセットにおいて、従来のデータ拡張よりも優れていることを示す。
論文 参考訳(メタデータ) (2022-05-30T20:57:15Z) - Variational Inference for Quantifying Inter-observer Variability in
Segmentation of Anatomical Structures [12.138198227748353]
ほとんどのセグメンテーション法は、単純にイメージからその単一セグメンテーションマップへのマッピングをモデル化し、アノテータの不一致を考慮に入れない。
特定のMR画像から得られる可視分割写像の分布をモデル化する新しい変分推論フレームワークを提案する。
論文 参考訳(メタデータ) (2022-01-18T16:33:33Z) - About Explicit Variance Minimization: Training Neural Networks for
Medical Imaging With Limited Data Annotations [2.3204178451683264]
VAT(Variance Aware Training)法は、モデル損失関数に分散誤差を導入することにより、この特性を利用する。
多様な領域から得られた3つの医用画像データセットと様々な学習目標に対するVATの有効性を検証した。
論文 参考訳(メタデータ) (2021-05-28T21:34:04Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳(メタデータ) (2020-12-10T04:01:07Z) - 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) - An Asymmetric Cycle-Consistency Loss for Dealing with Many-to-One
Mappings in Image Translation: A Study on Thigh MR Scans [2.8785764686013833]
本稿では,サイクル整合性損失を変更することで,複数対1のマッピングを行う場合のトレーニングプロセスを改善する方法を提案する。
今回我々は,大腿MRI検査において,脂肪浸潤患者データ中の筋肉の分画を最終目的として評価した。
論文 参考訳(メタデータ) (2020-04-23T06:59:58Z)
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。