論文の概要: DGSSA: Domain generalization with structural and stylistic augmentation for retinal vessel segmentation

• arxiv url: http://arxiv.org/abs/2501.03466v1
• Date: Tue, 07 Jan 2025 01:47:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-08 15:46:53.589209
• Title: DGSSA: Domain generalization with structural and stylistic augmentation for retinal vessel segmentation
• Title（参考訳）: DGSSA:網膜血管セグメンテーションのための構造的およびスタイラス的拡張によるドメインの一般化
• Authors: Bo Liu, Yudong Zhang, Shuihua Wang, Siyue Li, Jin Hong,
• Abstract要約: 網膜血管形態は糖尿病、緑内障、高血圧などの疾患の診断に重要である。 従来のセグメンテーション手法は、トレーニングとテストのデータが同様の分布を共有していると仮定する。 本稿では,網膜血管画像分割のための新しいアプローチ DGSSA を提案する。
• 参考スコア（独自算出の注目度）: 17.396365010722423
• License:
• Abstract: Retinal vascular morphology is crucial for diagnosing diseases such as diabetes, glaucoma, and hypertension, making accurate segmentation of retinal vessels essential for early intervention. Traditional segmentation methods assume that training and testing data share similar distributions, which can lead to poor performance on unseen domains due to domain shifts caused by variations in imaging devices and patient demographics. This paper presents a novel approach, DGSSA, for retinal vessel image segmentation that enhances model generalization by combining structural and style augmentation strategies. We utilize a space colonization algorithm to generate diverse vascular-like structures that closely mimic actual retinal vessels, which are then used to generate pseudo-retinal images with an improved Pix2Pix model, allowing the segmentation model to learn a broader range of structure distributions. Additionally, we utilize PixMix to implement random photometric augmentations and introduce uncertainty perturbations, thereby enriching stylistic diversity and significantly enhancing the model's adaptability to varying imaging conditions. Our framework has been rigorously evaluated on four challenging datasets-DRIVE, CHASEDB, HRF, and STARE-demonstrating state-of-the-art performance that surpasses existing methods. This validates the effectiveness of our proposed approach, highlighting its potential for clinical application in automated retinal vessel analysis.
• Abstract（参考訳）: 網膜血管形態学は、糖尿病、緑内障、高血圧などの疾患の診断に不可欠であり、早期治療に必須の網膜血管の正確な分節を作成する。 従来のセグメンテーション手法では、トレーニングとテストのデータが同様の分布を共有しており、画像デバイスや患者人口の変動に起因するドメインシフトによって、目に見えない領域のパフォーマンスが低下する可能性があると仮定している。 本稿では,網膜血管画像分割のための新しいアプローチ DGSSA を提案する。 空間コロニー化アルゴリズムを用いて、実際の網膜血管を忠実に模倣した多様な血管様構造を生成し、改良されたPix2Pixモデルを用いて擬似網膜画像を生成する。 さらに、PixMixを用いてランダムな測光拡張を実装し、不確実な摂動を導入し、スタイリスティックな多様性を強化し、様々な撮像条件に対するモデルの適応性を著しく向上させる。 我々のフレームワークは、既存の手法を上回る4つの挑戦的データセット(DRIVE, CHASEDB, HRF, STARE-demonstrating state-of-the-art performance)に対して厳格に評価されている。 本手法の有効性を検証し, 自動網膜血管解析における臨床応用の可能性を明らかにする。

関連論文リスト

• VascX Models: Model Ensembles for Retinal Vascular Analysis from Color Fundus Images [1.0356065101685448]
  VascXモデル(VascX model)は、カラーフルート画像から網膜血管を解析するためのモデルアンサンブルのセットである。 モデルでは、データセット、画像品質レベル、解剖学的領域間でのセグメンテーション性能が優れていた。 モデルによって生成された正確な血管パラメータは、眼の内外における病気のパターンを識別するための出発点として機能する。
  論文  参考訳（メタデータ） (2024-09-24T12:19:31Z)
• KLDD: Kalman Filter based Linear Deformable Diffusion Model in Retinal Image Segmentation [51.03868117057726]
  本稿では,網膜血管分割のためのKLDDモデルを提案する。 我々のモデルは、変形可能な畳み込みの柔軟な受容場を利用して、分割を反復的に洗練する拡散過程を用いる。 実験は網膜基底画像データセット(DRIVE,CHASE_DB1)とOCTA-500データセットの3mm,6mmで評価された。
  論文  参考訳（メタデータ） (2024-09-19T14:21:38Z)
• Polar-Net: A Clinical-Friendly Model for Alzheimer's Disease Detection in OCTA Images [53.235117594102675]
  オプティカルコヒーレンス・トモグラフィーは、網膜微小血管の画像化によってアルツハイマー病(AD)を検出するための有望なツールである。 我々はPolar-Netと呼ばれる新しいディープラーニングフレームワークを提案し、解釈可能な結果を提供し、臨床上の事前知識を活用する。 Polar-Netは既存の最先端の手法よりも優れており,網膜血管変化とADとの関連性について,より貴重な病理学的証拠を提供する。
  論文  参考訳（メタデータ） (2023-11-10T11:49:49Z)
• Deep Angiogram: Trivializing Retinal Vessel Segmentation [1.8479315677380455]
  本研究では,無関係な特徴をフィルタリングし,深部血管造影という潜像を合成するコントラスト型変分自動エンコーダを提案する。 合成ネットワークの一般化性は、画像コントラストとノイズの特徴の変動に敏感なモデルを実現するコントラスト損失によって改善される。
  論文  参考訳（メタデータ） (2023-07-01T06:13:10Z)
• Synthetic optical coherence tomography angiographs for detailed retinal vessel segmentation without human annotations [12.571349114534597]
  本稿では,より高速でリアルなOCTA合成のために,空間コロニー化に基づく網膜血管網の軽量なシミュレーションを行う。 本研究では,3つの公開データセットに対する定量的および定性的実験において,提案手法の優れたセグメンテーション性能を示す。
  論文  参考訳（メタデータ） (2023-06-19T14:01:47Z)
• Generation of Structurally Realistic Retinal Fundus Images with Diffusion Models [1.9346186297861747]
  血管構造を創出するために動脈・静脈マスクを作製し,網膜底部像を作製する条件を定めている。 提案手法はよりリアルな血管構造を持つ高品質な画像を生成することができる。
  論文  参考訳（メタデータ） (2023-05-11T14:09:05Z)
• Affinity Feature Strengthening for Accurate, Complete and Robust Vessel Segmentation [48.638327652506284]
  血管セグメンテーションは、冠動脈狭窄、網膜血管疾患、脳動脈瘤などの多くの医学的応用において重要である。 コントラストに敏感なマルチスケールアフィニティアプローチを用いて,幾何学的手法と画素単位のセグメンテーション特徴を連成的にモデル化する新しいアプローチであるAFNを提案する。
  論文  参考訳（メタデータ） (2022-11-12T05:39:17Z)
• Consistent Posterior Distributions under Vessel-Mixing: A Regularization for Cross-Domain Retinal Artery/Vein Classification [30.30848090813239]
  網膜A/V分類におけるクロスドメイン学習のための船舶混合型整合性正規化フレームワークを提案する。 提案手法は,対象ドメインに対する教師付き学習によって得られる上界に近い,最先端のクロスドメイン性能を実現する。
  論文  参考訳（メタデータ） (2021-03-16T14:18:35Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and Convolutional Neural Networks [68.96150598294072]
  未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。 網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。 近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。 本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。 提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
  論文  参考訳（メタデータ） (2020-04-03T14:07:41Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)

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。