論文の概要: Medical Image Segmentation via Single-Source Domain Generalization with Random Amplitude Spectrum Synthesis

• arxiv url: http://arxiv.org/abs/2409.04768v1
• Date: Sat, 7 Sep 2024 08:58:04 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-10 20:51:37.467458
• Title: Medical Image Segmentation via Single-Source Domain Generalization with Random Amplitude Spectrum Synthesis
• Title（参考訳）: ランダム振幅スペクトル合成を用いた単一ソース領域一般化による医用画像分割
• Authors: Qiang Qiao, Wenyu Wang, Meixia Qu, Kun Su, Bin Jiang, Qiang Guo,
• Abstract要約: 医用画像のセグメンテーションの分野は、臨床データセットのドメインシフトにより、ドメイン一般化(DG)によって挑戦される。 従来の単一ソースドメインの一般化手法は、ドメインの矛盾を最小限に抑えるためにデータ拡張手法を積み重ねることに頼っている。 医用画像のトレーニングとしてランダム振幅スペクトル合成(RASS)を提案する。
• 参考スコア（独自算出の注目度）: 13.794335166617063
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The field of medical image segmentation is challenged by domain generalization (DG) due to domain shifts in clinical datasets. The DG challenge is exacerbated by the scarcity of medical data and privacy concerns. Traditional single-source domain generalization (SSDG) methods primarily rely on stacking data augmentation techniques to minimize domain discrepancies. In this paper, we propose Random Amplitude Spectrum Synthesis (RASS) as a training augmentation for medical images. RASS enhances model generalization by simulating distribution changes from a frequency perspective. This strategy introduces variability by applying amplitude-dependent perturbations to ensure broad coverage of potential domain variations. Furthermore, we propose random mask shuffle and reconstruction components, which can enhance the ability of the backbone to process structural information and increase resilience intra- and cross-domain changes. The proposed Random Amplitude Spectrum Synthesis for Single-Source Domain Generalization (RAS^4DG) is validated on 3D fetal brain images and 2D fundus photography, and achieves an improved DG segmentation performance compared to other SSDG models.
• Abstract（参考訳）: 医用画像のセグメンテーションの分野は、臨床データセットのドメインシフトにより、ドメイン一般化(DG)によって挑戦される。 DGの課題は、医療データの不足とプライバシー上の懸念によって悪化している。 従来の単一ソースドメイン一般化(SSDG)手法は、ドメインの矛盾を最小限に抑えるためにデータ拡張手法を積み重ねることに大きく依存している。 本稿では,医用画像のトレーニング補助として,ランダム振幅スペクトル合成(RASS)を提案する。 RASSは周波数の観点から分布変化をシミュレートすることでモデル一般化を強化する。 この戦略は、振幅依存性の摂動を適用し、潜在的な領域の変動を広範囲にカバーすることによる変動性をもたらす。 さらに,無作為なマスクシャッフルと再構成部品を提案することにより,バックボーンが構造情報を処理する能力を高め,ドメイン内およびクロスドメイン間のレジリエンスを向上することができる。 単一ソース領域一般化のためのランダム振幅スペクトル合成法 (RAS^4DG) は, 3次元胎児脳画像と2次元眼底写真で検証され, 他のSSDGモデルと比較してDGセグメンテーション性能が向上した。

関連論文リスト

• Generalizable Single-Source Cross-modality Medical Image Segmentation via Invariant Causal Mechanisms [16.699205051836657]
  単一ソースドメインの一般化は、見当たらないターゲットドメインをうまく一般化できる単一のソースドメインからモデルを学ぶことを目的としている。 これはコンピュータビジョンにおいて重要なタスクであり、特にドメインシフトが一般的である医療画像に関係している。 我々は,領域不変表現の学習に関する因果性に着想を得た理論的洞察と拡散に基づく拡張の最近の進歩を組み合わせることにより,多様な画像モダリティの一般化を向上する。
  論文  参考訳（メタデータ） (2024-11-07T22:35:17Z)
• FIESTA: Fourier-Based Semantic Augmentation with Uncertainty Guidance for Enhanced Domain Generalizability in Medical Image Segmentation [10.351755243183383]
  医用画像セグメンテーション(MIS)における単一ソース領域一般化(SDG)は、1つのソースドメインのみのデータを使用してモデルを一般化し、目に見えないターゲットドメインからデータをセグメントすることを目的としている。 既存の手法では、MISでよく見られる詳細や不確実な領域を十分に考慮できないことが多く、誤分類につながる。 本稿では、不確実性ガイダンスを用いたFIESTAと呼ばれるフーリエに基づく意味拡張手法を提案する。
  論文  参考訳（メタデータ） (2024-06-20T13:37:29Z)
• Adversarial Bayesian Augmentation for Single-Source Domain Generalization [47.11368295629681]
  本稿では,ABA(Adrialversa Bayesian Augmentation)を提案する。 ABAは、多様なデータ拡張の生成を導くために、敵対的学習とベイズニューラルネットワークの強みを引き合いに出している。 そこで我々は,ABAが各種領域シフトに対する強さを実証し,その特徴として,スタイルシフト,サブポピュレーションシフト,医療画像設定のシフトを挙げる。
  論文  参考訳（メタデータ） (2023-07-18T18:01:30Z)
• Frequency-mixed Single-source Domain Generalization for Medical Image Segmentation [29.566769388674473]
  医用画像セグメンテーションの欠如は、ディープラーニングモデルのための十分なトレーニングデータを集める上での課題となっている。 周波数混合単一ソース領域一般化法(FreeSDG)という新しい手法を提案する。 3つのモードの5つのデータセットに対する実験結果から,提案アルゴリズムの有効性が示された。
  論文  参考訳（メタデータ） (2023-07-18T06:44:45Z)
• Treasure in Distribution: A Domain Randomization based Multi-Source Domain Generalization for 2D Medical Image Segmentation [20.97329150274455]
  本稿では,Treasure in Distribution (TriD) と呼ばれるマルチソース領域一般化手法を提案する。 TriDは、一様分布からランダムにサンプリングすることで、強靭性のあるモデルを得るために、前例のない探索空間を構築する。 2つの医学的セグメンテーションタスクの実験により、我々のTriDは、目に見えないターゲットドメインデータに対して優れた一般化性能を達成できることを示した。
  論文  参考訳（メタデータ） (2023-05-31T15:33:57Z)
• 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)
• When Neural Networks Fail to Generalize? A Model Sensitivity Perspective [82.36758565781153]
  ドメイン一般化 (Domain Generalization, DG) は、異なる分布の下で見えないドメインでうまく機能するようにモデルを訓練することを目的としている。 本稿では,より現実的で,より困難なシナリオである単一領域一般化(Single-DG)について考察する。 我々は「モデル感度」と命名する一般化と強く相関するモデルの性質を経験的に確認する。 本稿では、高感度の周波数をターゲットとした拡張画像を生成するために、スペクトル逆データ拡張(SADA)の新たな戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-01T20:15:15Z)
• Single-domain Generalization in Medical Image Segmentation via Test-time Adaptation from Shape Dictionary [64.5632303184502]
  ドメインの一般化は通常、モデル学習のために複数のソースドメインからのデータを必要とする。 本稿では,1つのソースドメインのみで最悪のシナリオ下でモデルを学習し,異なる未確認対象ドメインに直接一般化する,重要な単一ドメインの一般化問題について考察する。 本稿では,領域間で不変なセグメンテーションのセグメンテーション先情報を抽出し,統合する医用画像セグメンテーションにおいて,この問題に対処する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-06-29T08:46:27Z)
• 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)
• Learning to Generate Novel Domains for Domain Generalization [115.21519842245752]
  本稿では,未知の領域によく一般化するモデルとして,複数のソースドメインから学習するタスクに焦点を当てる。 我々は、擬似ノーベル領域からデータを合成し、ソースドメインを増強するためにデータジェネレータを用いる。 我々の手法であるL2A-OTは、4つのベンチマークデータセット上で現在最先端のDG手法より優れています。
  論文  参考訳（メタデータ） (2020-07-07T09:34:17Z)
• 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)

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。