論文の概要: Cross-Domain Distribution Alignment for Segmentation of Private Unannotated 3D Medical Images

• arxiv url: http://arxiv.org/abs/2410.09210v1
• Date: Fri, 11 Oct 2024 19:28:10 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-30 15:43:17.619587
• Title: Cross-Domain Distribution Alignment for Segmentation of Private Unannotated 3D Medical Images
• Title（参考訳）: 非公開3次元医用画像の分割のためのクロスドメイン分布アライメント
• Authors: Ruitong Sun, Mohammad Rostami,
• Abstract要約: 本稿では、この問題を解決するために、新しいソースフリーなUnsupervised Domain Adaptation (UDA) 手法を提案する。 我々のアイデアは、ベースモデルにより、関連するソースドメインの内部的に学習された分布を推定することに基づいている。 我々は,実世界の3D医療データセット上でのSOTA性能を実証した。
• 参考スコア（独自算出の注目度）: 20.206972068340843
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Manual annotation of 3D medical images for segmentation tasks is tedious and time-consuming. Moreover, data privacy limits the applicability of crowd sourcing to perform data annotation in medical domains. As a result, training deep neural networks for medical image segmentation can be challenging. We introduce a new source-free Unsupervised Domain Adaptation (UDA) method to address this problem. Our idea is based on estimating the internally learned distribution of a relevant source domain by a base model and then generating pseudo-labels that are used for enhancing the model refinement through self-training. We demonstrate that our approach leads to SOTA performance on a real-world 3D medical dataset.
• Abstract（参考訳）: セグメンテーションタスクのための3次元医用画像のマニュアルアノテーションは退屈で時間を要する。 さらに、データプライバシは、医療領域でデータアノテーションを実行するためのクラウドソーシングの適用性を制限する。 その結果、医用画像セグメンテーションのためのディープニューラルネットワークのトレーニングが困難になる可能性がある。 本稿では、この問題を解決するために、新しいソースフリーなUnsupervised Domain Adaptation (UDA) 手法を提案する。 我々のアイデアは、ベースモデルにより、関連するソースドメインの内部的に学習された分布を推定し、自己学習によるモデルの洗練を促進するために使用される擬似ラベルを生成することである。 我々は,実世界の3D医療データセット上でのSOTA性能を実証した。

関連論文リスト

• Diffuse-UDA: Addressing Unsupervised Domain Adaptation in Medical Image Segmentation with Appearance and Structure Aligned Diffusion Models [31.006056670998852]
  3次元医用画像におけるvoxelレベルのアノテーションの欠如と複雑さは重要な課題である。 この格差は、医療における人工知能アルゴリズムの公平性に影響を与える。 医用画像セグメンテーションにおけるUnsupervised Domain Adaptation(UDA)に取り組むために拡散モデルを利用した新しい手法であるDiffuse-UDAを紹介する。
  論文  参考訳（メタデータ） (2024-08-12T08:21:04Z)
• Promise:Prompt-driven 3D Medical Image Segmentation Using Pretrained Image Foundation Models [13.08275555017179]
  単点プロンプトのみを用いたプロンプト駆動型3次元医用画像分割モデルProMISeを提案する。 今回,大腸癌と膵腫瘍の2つの領域に分布する2つのパブリックデータセットについて検討した。
  論文  参考訳（メタデータ） (2023-10-30T16:49:03Z)
• Source-Free Domain Adaptation for Medical Image Segmentation via Prototype-Anchored Feature Alignment and Contrastive Learning [57.43322536718131]
  医用画像セグメンテーションのための2段階のソースフリードメイン適応(SFDA)フレームワークを提案する。 プロトタイプアンコールされた特徴アライメントの段階では,まず,事前学習した画素ワイド分類器の重みを原プロトタイプとして利用する。 そこで,本研究では,目標となる特徴とクラスプロトタイプとの整合性を期待するコストを最小化し,双方向輸送を導入する。
  論文  参考訳（メタデータ） (2023-07-19T06:07:12Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• 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)
• Unsupervised Model Adaptation for Source-free Segmentation of Medical Images [15.820660013260584]
  教師なし領域適応(Unsupervised domain adapt, UDA)は、対象領域のイメージのラベル付けの必要性に対処するために用いられる。 ほとんどのUDAアプローチは、共有ソース/ターゲット潜在機能空間を作成することで、ターゲットの一般化を保証する。 本稿では,適応時にソースデータにアクセスする必要がなく,患者データのプライバシを維持することができる医用画像分割のためのUDAアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-11-02T01:01:19Z)
• PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
  医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。 本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
  論文  参考訳（メタデータ） (2022-07-24T07:45:47Z)
• Unsupervised Domain Adaptation with Contrastive Learning for OCT Segmentation [49.59567529191423]
  本稿では,新しい未ラベル領域からのボリューム画像のセグメンテーションのための,新しい半教師付き学習フレームワークを提案する。 教師付き学習とコントラスト学習を併用し、3次元の近傍スライス間の類似性を利用したコントラストペア方式を導入する。
  論文  参考訳（メタデータ） (2022-03-07T19:02:26Z)
• Privacy Preserving Domain Adaptation for Semantic Segmentation of Medical Images [13.693640425403636]
  非教師付きドメイン適応(UDA)は、未ラベルのターゲットドメインデータのみを用いて新しいモダリティにモデルを適用するために提案される。 UDAのアルゴリズムは、ソースドメインデータがアクセスできないプライバシーに制約された設定で開発します。 本稿では,最新の医用画像セマンティックセグメンテーション手法と比較し,アルゴリズムの有効性を示す。
  論文  参考訳（メタデータ） (2021-01-02T22:12:42Z)
• Domain Generalization for Medical Imaging Classification with Linear-Dependency Regularization [59.5104563755095]
  本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。 医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
  論文  参考訳（メタデータ） (2020-09-27T12:30:30Z)
• 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。