論文の概要: FAMNet: Frequency-aware Matching Network for Cross-domain Few-shot Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2412.09319v3
• Date: Mon, 23 Dec 2024 14:23:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-24 19:20:52.182574
• Title: FAMNet: Frequency-aware Matching Network for Cross-domain Few-shot Medical Image Segmentation
• Title（参考訳）: FAMNet:医療画像のクロスドメイン化のための周波数対応マッチングネットワーク
• Authors: Yuntian Bo, Yazhou Zhu, Lunbo Li, Haofeng Zhang,
• Abstract要約: 既存の数発の医用画像分割(FSMIS)モデルは、様々な画像技術によって引き起こされる領域シフトという、医療画像の実践的な問題に対処できない。 本稿では、周波数対応マッチング(FAM)モジュールとマルチスペクトル融合(MSF)モジュールの2つの主要なコンポーネントを含む周波数対応マッチングネットワーク(FAMNet)を提案する。 我々のFAMNetは、既存のFSMISモデルと3つのクロスドメインデータセット上のクロスドメインFew-shot Semanticモデルを上回っています。
• 参考スコア（独自算出の注目度）: 15.066227784509303
• License:
• Abstract: Existing few-shot medical image segmentation (FSMIS) models fail to address a practical issue in medical imaging: the domain shift caused by different imaging techniques, which limits the applicability to current FSMIS tasks. To overcome this limitation, we focus on the cross-domain few-shot medical image segmentation (CD-FSMIS) task, aiming to develop a generalized model capable of adapting to a broader range of medical image segmentation scenarios with limited labeled data from the novel target domain. Inspired by the characteristics of frequency domain similarity across different domains, we propose a Frequency-aware Matching Network (FAMNet), which includes two key components: a Frequency-aware Matching (FAM) module and a Multi-Spectral Fusion (MSF) module. The FAM module tackles two problems during the meta-learning phase: 1) intra-domain variance caused by the inherent support-query bias, due to the different appearances of organs and lesions, and 2) inter-domain variance caused by different medical imaging techniques. Additionally, we design an MSF module to integrate the different frequency features decoupled by the FAM module, and further mitigate the impact of inter-domain variance on the model's segmentation performance. Combining these two modules, our FAMNet surpasses existing FSMIS models and Cross-domain Few-shot Semantic Segmentation models on three cross-domain datasets, achieving state-of-the-art performance in the CD-FSMIS task.
• Abstract（参考訳）: 既存のFSMISモデルは、様々なイメージング技術によって引き起こされる領域シフトが、現在のFSMISタスクに適用性を制限するという、医療画像の実践的な問題に対処できない。 この制限を克服するために、我々は、新しいターゲットドメインからのラベル付きデータに制限された、幅広い医療画像セグメンテーションシナリオに適応可能な一般化モデルを開発することを目的とした、クロスドメインの少ショット医療画像セグメンテーション(CD-FSMIS)タスクに焦点を当てた。 周波数対応マッチングネットワーク(FAMNet)は、周波数対応マッチング(FAM)モジュールとマルチスペクトル融合(MSF)モジュールの2つの主要なコンポーネントを含む。 FAMモジュールはメタラーニングフェーズで2つの問題に取り組む。 1)臓器や病変の出現の相違による本態性サポート・クエリーバイアスによるドメイン内変異 2) 異なる医用画像技術による領域間差異 さらに、FAMモジュールによって分離された周波数特徴を統合し、ドメイン間分散がモデルのセグメンテーション性能に与える影響を緩和するMCFモジュールを設計する。 これらの2つのモジュールを組み合わせることで、FAMNetは既存のFSMISモデルと3つのクロスドメインデータセット上のクロスドメインFew-shot Semantic Segmentationモデルを超え、CD-FSMISタスクで最先端のパフォーマンスを達成する。

関連論文リスト

• RobustEMD: Domain Robust Matching for Cross-domain Few-shot Medical Image Segmentation [22.375175204590747]
  Few-shot Medical Image segmentation (FSMIS) は、医療画像分析の範囲内で限られたデータ学習を行うことを目的としている。 現在のFSMISモデルは、すべてトレーニングされ、同じデータドメインにデプロイされます。 特定の医療画像領域にまたがってFSMISモデルを一般化するにはどうすればいいのか?
  論文  参考訳（メタデータ） (2024-10-01T22:39:26Z)
• Modality-agnostic Domain Generalizable Medical Image Segmentation by Multi-Frequency in Multi-Scale Attention [1.1155836879100416]
  医用画像セグメンテーションのためのModality-Agnostic Domain Generalizable Network (MADGNet)を提案する。 MFMSAブロックは空間的特徴抽出の過程を洗練させる。 E-SDMは、深い監督を伴うマルチタスク学習における情報損失を軽減する。
  論文  参考訳（メタデータ） (2024-05-10T07:34:36Z)
• Unified Frequency-Assisted Transformer Framework for Detecting and Grounding Multi-Modal Manipulation [109.1912721224697]
  本稿では、DGM4問題に対処するため、UFAFormerという名前のUnified Frequency-Assisted TransFormerフレームワークを提案する。 離散ウェーブレット変換を利用して、画像を複数の周波数サブバンドに分解し、リッチな顔偽造品をキャプチャする。 提案する周波数エンコーダは、帯域内およびバンド間自己アテンションを組み込んだもので、多種多様なサブバンド内および多種多様なフォージェリー特徴を明示的に集約する。
  論文  参考訳（メタデータ） (2023-09-18T11:06:42Z)
• Multi-Modal Cross-Domain Alignment Network for Video Moment Retrieval [55.122020263319634]
  ビデオモーメント検索(VMR)は、与えられた言語クエリに従って、未編集のビデオからターゲットモーメントをローカライズすることを目的としている。 本稿では、新しいタスクであるクロスドメインVMRに焦点を当て、完全なアノテーション付きデータセットをひとつのドメインで利用できるが、関心のあるドメインは、注釈なしのデータセットのみを含む。 本稿では、アノテーションの知識をソースドメインからターゲットドメインに転送するマルチモーダル・クロスドメインアライメント・ネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-23T12:58:20Z)
• Multi-Scale Multi-Target Domain Adaptation for Angle Closure Classification [50.658613573816254]
  角度閉包分類のためのM2DAN(Multi-scale Multi-target Domain Adversarial Network)を提案する。 異なるスケールでのこれらのドメイン不変性に基づいて、ソースドメインで訓練されたディープモデルは、複数のターゲットドメインの角度クロージャを分類することができる。
  論文  参考訳（メタデータ） (2022-08-25T15:27:55Z)
• Generalizable Medical Image Segmentation via Random Amplitude Mixup and Domain-Specific Image Restoration [17.507951655445652]
  本稿では,新しい医用画像分割法を提案する。 具体的には、セグメント化モデルと自己超越ドメイン固有の画像復元モジュールを組み合わせることで、マルチタスクパラダイムとしてアプローチを設計する。 医用画像における2つの一般化可能なセグメンテーションベンチマークにおいて,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-08-08T03:56:20Z)
• Unsupervised Domain Adaptation for Cross-Modality Retinal Vessel Segmentation via Disentangling Representation Style Transfer and Collaborative Consistency Learning [3.9562534927482704]
  ドメインシフトが大きいタスクに対する、新しいクロスモーダルな教師なしドメイン適応フレームワークDCDAを提案する。 本フレームワークは,OCTAからOCT,OCTからOCTAまで,目標に訓練されたオラクルに近いDiceスコアを達成し,他の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2022-01-13T07:03:16Z)
• 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)
• Graphical Modeling for Multi-Source Domain Adaptation [56.05348879528149]
  マルチソースドメイン適応(MSDA)は、複数のソースドメインからターゲットドメインへの知識の転送に焦点を当てている。 我々は2種類のグラフィカルモデルを提案する。 MSDAの条件付きランダムフィールド(CRF-MSDA)とMSDAのマルコフランダムフィールド(MRF-MSDA) これらの2つのモデルを、ドメインシフトとデータの複雑さが異なるMSDAの4つの標準ベンチマークデータセットで評価します。
  論文  参考訳（メタデータ） (2021-04-27T09:04:22Z)
• Domain Adaptive Relational Reasoning for 3D Multi-Organ Segmentation [17.504340316130023]
  本手法は,医用画像の内部構造間の空間的関係が比較的固定されていることに着想を得たものである。 我々はジグソーパズルタスクを解くことで空間的関係を定式化し、シャッフルパッチからCTスキャンを復元し、臓器分割タスクと共同で訓練する。 学習した空間関係が複数の領域に伝達可能であることを保証するため,1) 分割モデルと協調して訓練された超解像ネットワークを用いて,異なる領域からの医用画像の標準化,2) テスト時間ジグソーパズルトレーニングによるテスト画像の空間関係の適応,の2つのスキームを導入する。
  論文  参考訳（メタデータ） (2020-05-18T22:44:34Z)
• Unsupervised Bidirectional Cross-Modality Adaptation via Deeply Synergistic Image and Feature Alignment for Medical Image Segmentation [73.84166499988443]
  我々は、Synergistic Image and Feature Alignment (SIFA)と名付けられた新しい教師なしドメイン適応フレームワークを提案する。 提案するSIFAは、画像と特徴の両方の観点から、ドメインの相乗的アライメントを行う。 2つの異なるタスクに対する実験結果から,SIFA法は未ラベル対象画像のセグメンテーション性能を向上させるのに有効であることが示された。
  論文  参考訳（メタデータ） (2020-02-06T13:49:47Z)

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。