論文の概要: S2S2: Semantic Stacking for Robust Semantic Segmentation in Medical Imaging
- arxiv url: http://arxiv.org/abs/2412.13156v1
- Date: Tue, 17 Dec 2024 18:30:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-18 13:58:22.144029
- Title: S2S2: Semantic Stacking for Robust Semantic Segmentation in Medical Imaging
- Title（参考訳）: S2S2 : 医用画像におけるロバストセマンティック・セマンティック・セマンティック・スタッキング
- Authors: Yimu Pan, Sitao Zhang, Alison D. Gernand, Jeffery A. Goldstein, James Z. Wang,
- Abstract要約: 医用画像のセグメンテーションにおけるロバストさと一般化性は、しばしば訓練データの不足と限られた多様性によって妨げられる。
画像復調における画像の積み重ねに着想を得た,新しい,ドメインに依存しない,アドオン,データ駆動型戦略を導入する。
- 参考スコア（独自算出の注目度）: 1.5526971729850854
- License:
- Abstract: Robustness and generalizability in medical image segmentation are often hindered by scarcity and limited diversity of training data, which stands in contrast to the variability encountered during inference. While conventional strategies -- such as domain-specific augmentation, specialized architectures, and tailored training procedures -- can alleviate these issues, they depend on the availability and reliability of domain knowledge. When such knowledge is unavailable, misleading, or improperly applied, performance may deteriorate. In response, we introduce a novel, domain-agnostic, add-on, and data-driven strategy inspired by image stacking in image denoising. Termed ``semantic stacking,'' our method estimates a denoised semantic representation that complements the conventional segmentation loss during training. This method does not depend on domain-specific assumptions, making it broadly applicable across diverse image modalities, model architectures, and augmentation techniques. Through extensive experiments, we validate the superiority of our approach in improving segmentation performance under diverse conditions. Code is available at https://github.com/ymp5078/Semantic-Stacking.
- Abstract（参考訳）: 医用画像のセグメンテーションにおけるロバスト性や一般化性は、推論中に発生する変動と対照的な訓練データの不足と限られた多様性によって妨げられることが多い。
ドメイン固有の拡張、特殊なアーキテクチャ、調整されたトレーニング手順といった従来の戦略はこれらの問題を緩和しますが、それらはドメイン知識の可用性と信頼性に依存します。
このような知識が利用できない場合、誤解を招く場合、あるいは不適切な適用の場合、性能が低下する可能性がある。
そこで我々は,画像デノーミングにおける画像の積み重ねに触発された,新しい,ドメインに依存しない,アドオン,データ駆動型戦略を提案する。
私たちのメソッドは,'semantic stacking'という用語で,訓練中の従来のセグメンテーション損失を補完する意味表現を推定する。
この方法はドメイン固有の仮定に依存しないため、様々な画像のモダリティ、モデルアーキテクチャ、拡張技術に広く適用できる。
本研究では,多様な条件下でのセグメンテーション性能向上におけるアプローチの優位性を検証した。
コードはhttps://github.com/ymp5078/Semantic-Stacking.comで入手できる。
関連論文リスト
- Physically Feasible Semantic Segmentation [58.17907376475596]
最先端セマンティックセグメンテーションモデルは通常、データ駆動方式で最適化される。
本手法は,空間的クラス関係を規定する明示的な物理的制約を抽出する。
PhyFeaは、使用する最先端ネットワーク毎にmIoUが大幅に向上する。
論文 参考訳（メタデータ） (2024-08-26T22:39:08Z) - Language Guided Domain Generalized Medical Image Segmentation [68.93124785575739]
単一ソースドメインの一般化は、より信頼性が高く一貫性のあるイメージセグメンテーションを現実の臨床環境にわたって約束する。
本稿では,テキストエンコーダ機能によって案内されるコントラスト学習機構を組み込むことで,テキスト情報を明確に活用する手法を提案する。
文献における既存手法に対して,本手法は良好な性能を発揮する。
論文 参考訳（メタデータ） (2024-04-01T17:48:15Z) - A2V: A Semi-Supervised Domain Adaptation Framework for Brain Vessel Segmentation via Two-Phase Training Angiography-to-Venography Translation [4.452428104996953]
画像の異なる脳血管セグメンテーションのための半教師付きドメイン適応フレームワークを提案する。
本フレームワークは,注釈付血管造影と限られた数の血管造影に頼り,画像から画像への翻訳とセマンティックセグメンテーションを実現する。
論文 参考訳（メタデータ） (2023-09-12T09:12:37Z) - A Novel Cross-Perturbation for Single Domain Generalization [54.612933105967606]
単一ドメインの一般化は、モデルが単一のソースドメインでトレーニングされたときに未知のドメインに一般化する能力を高めることを目的としている。
トレーニングデータの限られた多様性は、ドメイン不変の特徴の学習を妨げ、結果として一般化性能を損なう。
トレーニングデータの多様性を高めるために,CPerbを提案する。
論文 参考訳（メタデータ） (2023-08-02T03:16:12Z) - Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。
提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。
提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
論文 参考訳（メタデータ） (2023-03-17T18:00:27Z) - Domain-invariant Prototypes for Semantic Segmentation [30.932130453313537]
ドメイン適応型セマンティックセグメンテーションのためのドメイン不変のプロトタイプを学習する。
本手法は,1段階の訓練のみを伴い,大規模な未注釈対象画像に対してトレーニングを行う必要はない。
論文 参考訳（メタデータ） (2022-08-12T02:21:05Z) - 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) - SATS: Self-Attention Transfer for Continual Semantic Segmentation [50.51525791240729]
連続的なセマンティックセグメンテーションは、連続的な分類学習と同じ破滅的な忘れの問題に悩まされる。
本研究では,各画像内の要素間の関係について,知識に関連する新しいタイプの情報伝達を提案する。
関係情報は、トランスフォーマースタイルのセグメンテーションモデルにおける自己アテンションマップから有効に得ることができる。
論文 参考訳（メタデータ） (2022-03-15T06:09:28Z) - Adversarial Continual Learning for Multi-Domain Hippocampal Segmentation [0.46023882211671957]
医用画像の深層学習は、データ可用性に関する時間的およびプライバシー関連の制約に悩まされている。
本稿では,2つ以上のデータセットの同時可用性を活用して,コンテンツとドメイン間の絡み合いを学習するアーキテクチャを提案する。
本手法は破滅的な忘れ込みを減らし,最先端の継続的学習方法より優れていることを示す。
論文 参考訳（メタデータ） (2021-07-19T10:55:21Z) - Flow-based Deformation Guidance for Unpaired Multi-Contrast MRI
Image-to-Image Translation [7.8333615755210175]
本稿では,非可逆的アーキテクチャに基づく画像と画像の非対角変換に対する新しいアプローチを提案する。
我々は、連続スライス間の時間的情報を利用して、不適切な医療画像において、あるドメインを別のドメインに変換する最適化により多くの制約を与える。
論文 参考訳（メタデータ） (2020-12-03T09:10:22Z) - Adversarial Semantic Data Augmentation for Human Pose Estimation [96.75411357541438]
本研究では,セマンティックデータ拡張法 (SDA) を提案する。
また,適応的セマンティックデータ拡張 (ASDA) を提案する。
最先端の結果は、挑戦的なベンチマークで得られます。
論文 参考訳（メタデータ） (2020-08-03T07:56:04Z)
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。