論文の概要: Multi-style conversion for semantic segmentation of lesions in fundus images by adversarial attacks

• arxiv url: http://arxiv.org/abs/2410.13822v1
• Date: Thu, 17 Oct 2024 17:48:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-18 13:21:24.988287
• Title: Multi-style conversion for semantic segmentation of lesions in fundus images by adversarial attacks
• Title（参考訳）: 逆行性攻撃による眼底画像における病変の意味的セグメンテーションのための多形変換
• Authors: Clément Playout, Renaud Duval, Marie Carole Boucher, Farida Cheriet,
• Abstract要約: 本稿では,多様なデータベースにまたがるアノテーションスタイルの標準化の欠如に対処するため,逆変換と呼ばれる新しい手法を提案する。 統合データベース上で単一のアーキテクチャをトレーニングすることにより、モデルは入力に応じて自発的にセグメンテーションスタイルを変更する。 その結果,モデルの改良,不確実性推定,連続的一般化の道程として,データセットの組み合わせによる有意な質的,定量的な評価が得られた。
• 参考スコア（独自算出の注目度）: 2.123492791776905
• License:
• Abstract: The diagnosis of diabetic retinopathy, which relies on fundus images, faces challenges in achieving transparency and interpretability when using a global classification approach. However, segmentation-based databases are significantly more expensive to acquire and combining them is often problematic. This paper introduces a novel method, termed adversarial style conversion, to address the lack of standardization in annotation styles across diverse databases. By training a single architecture on combined databases, the model spontaneously modifies its segmentation style depending on the input, demonstrating the ability to convert among different labeling styles. The proposed methodology adds a linear probe to detect dataset origin based on encoder features and employs adversarial attacks to condition the model's segmentation style. Results indicate significant qualitative and quantitative through dataset combination, offering avenues for improved model generalization, uncertainty estimation and continuous interpolation between annotation styles. Our approach enables training a segmentation model with diverse databases while controlling and leveraging annotation styles for improved retinopathy diagnosis.
• Abstract（参考訳）: 基礎画像に依存した糖尿病網膜症の診断は、グローバルな分類アプローチを用いる場合、透明性と解釈可能性を達成する上での課題に直面している。 しかし、セグメンテーションベースのデータベースは、取得するコストが著しく高く、それらを組み合わせることがしばしば問題となる。 本稿では,多様なデータベースにまたがるアノテーションスタイルの標準化の欠如に対処するため,逆変換と呼ばれる新しい手法を提案する。 統合データベース上で単一のアーキテクチャをトレーニングすることにより、モデルは入力に応じてセグメント化スタイルを自発的に修正し、異なるラベル付けスタイル間で変換する能力を示す。 提案手法では,エンコーダの特徴に基づいてデータセットの起点を検出する線形プローブを追加し,逆アタックを用いてモデルのセグメンテーションスタイルを規定する。 その結果, モデル一般化, 不確実性推定, アノテーションスタイル間の連続的補間など, データセットの組み合わせによる有意な質的, 定量的な評価が得られた。 本手法は,網膜症診断の改善のためのアノテーションスタイルを制御・活用しながら,多様なデータベースを用いたセグメンテーションモデルの訓練を可能にする。

関連論文リスト

• Revisiting Adaptive Cellular Recognition Under Domain Shifts: A Contextual Correspondence View [49.03501451546763]
  生物学的文脈における暗黙の対応の重要性を明らかにする。 モデル構成成分間のインスタンス認識トレードオフを確保するために, 自己適応型動的蒸留を提案する。
  論文  参考訳（メタデータ） (2024-07-14T04:41:16Z)
• A Classifier-Free Incremental Learning Framework for Scalable Medical Image Segmentation [6.591403935303867]
  本稿では,単一分類器のないネットワークにおいて,可変数のクラスをセグメント化できる新しいセグメンテーションパラダイムを提案する。 このネットワークは、コントラスト学習を用いて訓練され、簡単な解釈を容易にする識別的特徴表現を生成する。 統合ネットワーク内での様々なクラス数処理における本手法の柔軟性とその漸進学習能力について述べる。
  論文  参考訳（メタデータ） (2024-05-25T19:05:07Z)
• Cross-Dataset Generalization For Retinal Lesions Segmentation [2.1160877779256126]
  本研究は,複数の既知のデータセットを特徴付け,モデルの一般化性能を向上させるために提案された様々な手法を比較する。 以上の結果から,粗いラベル付きデータを微細なデータセットと組み合わせて病変のセグメンテーションを改善する方法についての知見が得られた。
  論文  参考訳（メタデータ） (2024-05-14T05:52:01Z)
• Semi-supervised Medical Image Segmentation Method Based on Cross-pseudo Labeling Leveraging Strong and Weak Data Augmentation Strategies [2.8246591681333024]
  本稿では,Fixmatch の概念を革新的に取り入れた半教師付きモデル DFCPS を提案する。 整合性学習と自己学習を統合したクロス擬似スーパービジョンが導入された。 我々のモデルは、ラベルなしデータの比率が異なる4つの区分全てにおいて、常に優れた性能を示す。
  論文  参考訳（メタデータ） (2024-02-17T13:07:44Z)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• CellMix: A General Instance Relationship based Method for Data Augmentation Towards Pathology Image Classification [6.9596321268519326]
  病理画像解析では、高品質な注釈付きサンプルの取得と維持は非常に労働集約的な作業である。 本稿では,新しい分散指向型インプレースシャッフル手法であるCellMixフレームワークを提案する。 病理画像分類タスクにおける実験は、7つの異なるデータセット上でのSOTA(State-of-the-art)性能を示す。
  論文  参考訳（メタデータ） (2023-01-27T03:17:35Z)
• Simple and Scalable Algorithms for Cluster-Aware Precision Medicine [0.0]
  共同クラスタリングと埋め込みに対するシンプルでスケーラブルなアプローチを提案する。 この新しいクラスタ対応の埋め込みアプローチは、現在の共同埋め込みとクラスタリング法の複雑さと限界を克服する。 当社のアプローチでは,ユーザが希望するクラスタ数を選択する必要はなく,階層的にクラスタ化された埋め込みの解釈可能なデンドログラムを生成する。
  論文  参考訳（メタデータ） (2022-11-29T19:27:26Z)
• Dense Contrastive Visual-Linguistic Pretraining [53.61233531733243]
  画像とテキストを共同で表現するマルチモーダル表現学習手法が提案されている。 これらの手法は,大規模マルチモーダル事前学習から高レベルな意味情報を取得することにより,優れた性能を実現する。 そこで本稿では,非バイアスのDense Contrastive Visual-Linguistic Pretrainingを提案する。
  論文  参考訳（メタデータ） (2021-09-24T07:20:13Z)
• Learning from Partially Overlapping Labels: Image Segmentation under Annotation Shift [68.6874404805223]
  腹部臓器分節の文脈におけるラベルの重複から学ぶためのいくつかの方法を提案する。 半教師付きアプローチと適応的クロスエントロピー損失を組み合わせることで、不均一な注釈付きデータをうまく活用できることが判明した。
  論文  参考訳（メタデータ） (2021-07-13T09:22:24Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。