論文の概要: Mono2D: A Trainable Monogenic Layer for Robust Knee Cartilage Segmentation on Out-of-Distribution 2D Ultrasound Data

• arxiv url: http://arxiv.org/abs/2503.09050v2
• Date: Fri, 21 Mar 2025 15:07:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-24 14:52:54.477410
• Title: Mono2D: A Trainable Monogenic Layer for Robust Knee Cartilage Segmentation on Out-of-Distribution 2D Ultrasound Data
• Title（参考訳）: Mono2D:アウトオブディストリビューション2次元超音波データに基づくロバスト膝軟骨切片のトレーニング可能な単発層
• Authors: Alvin Kimbowa, Arjun Parmar, Maziar Badii, David Liu, Matthew Harkey, Ilker Hacihaliloglu,
• Abstract要約: マルチスケール,コントラスト,強度不変の局所位相特徴を抽出するモノジェニック層であるMono2Dを提案する。 Mono2Dはセグメンテーションネットワークの第1層の前に統合されており、そのパラメータはネットワークのパラメータと共同で訓練されている。
• 参考スコア（独自算出の注目度）: 1.9535625005118602
• License:
• Abstract: Automated knee cartilage segmentation using point-of-care ultrasound devices and deep-learning networks has the potential to enhance the management of knee osteoarthritis. However, segmentation algorithms often struggle with domain shifts caused by variations in ultrasound devices and acquisition parameters, limiting their generalizability. In this paper, we propose Mono2D, a monogenic layer that extracts multi-scale, contrast- and intensity-invariant local phase features using trainable bandpass quadrature filters. This layer mitigates domain shifts, improving generalization to out-of-distribution domains. Mono2D is integrated before the first layer of a segmentation network, and its parameters jointly trained alongside the network's parameters. We evaluated Mono2D on a multi-domain 2D ultrasound knee cartilage dataset for single-source domain generalization (SSDG). Our results demonstrate that Mono2D outperforms other SSDG methods in terms of Dice score and mean average surface distance. To further assess its generalizability, we evaluate Mono2D on a multi-site prostate MRI dataset, where it continues to outperform other SSDG methods, highlighting its potential to improve domain generalization in medical imaging. Nevertheless, further evaluation on diverse datasets is still necessary to assess its clinical utility.
• Abstract（参考訳）: ポイント・オブ・ケア・超音波装置と深層学習ネットワークを用いた人工膝関節置換術は,変形性膝関節症に対する治療効果を高める可能性がある。 しかし、セグメンテーションアルゴリズムは、超音波デバイスや取得パラメータの変動によって生じる領域シフトに苦しむことが多く、その一般化性は制限される。 本稿では、トレーニング可能な帯域通過二次フィルタを用いて、マルチスケール、コントラスト、強度不変の局所位相特徴を抽出するモノジェニック層であるMono2Dを提案する。 このレイヤはドメインシフトを緩和し、配布外ドメインへの一般化を改善します。 Mono2Dはセグメンテーションネットワークの第1層の前に統合されており、そのパラメータはネットワークのパラメータと共同で訓練されている。 単ソース領域一般化(SSDG)のためのマルチドメイン2D超音波膝軟骨データセットを用いたMono2Dの評価を行った。 以上の結果から,Mono2DはDiceスコアや平均表面距離において,他のSSDG法よりも優れていた。 その一般化性をさらに評価するため,マルチサイト前立腺MRIデータセット上でMono2Dを評価し,他のSSDG法よりも優れており,医用画像における領域一般化の改善の可能性を強調している。 それでも、その臨床的有用性を評価するためには、多様なデータセットに関するさらなる評価が必要である。

関連論文リスト

• Medical Image Segmentation via Single-Source Domain Generalization with Random Amplitude Spectrum Synthesis [13.794335166617063]
  医用画像のセグメンテーションの分野は、臨床データセットのドメインシフトにより、ドメイン一般化(DG)によって挑戦される。 従来の単一ソースドメインの一般化手法は、ドメインの矛盾を最小限に抑えるためにデータ拡張手法を積み重ねることに頼っている。 医用画像のトレーニングとしてランダム振幅スペクトル合成(RASS)を提案する。
  論文  参考訳（メタデータ） (2024-09-07T08:58:04Z)
• InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal Artifact Reduction in CT Images [53.4351366246531]
  InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。 異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2021-12-23T15:52:37Z)
• Frequency Spectrum Augmentation Consistency for Domain Adaptive Object Detection [107.52026281057343]
  周波数スペクトル拡張整合(FSAC)フレームワークを4種類の低周波フィルタで構成する。 最初の段階では、オリジナルおよび拡張されたソースデータを全て利用して、オブジェクト検出器を訓練する。 第2段階では、予測一貫性のための自己学習を行うために、擬似ラベル付き拡張現実とターゲットデータを採用する。
  論文  参考訳（メタデータ） (2021-12-16T04:07:01Z)
• Modality Completion via Gaussian Process Prior Variational Autoencoders for Multi-Modal Glioma Segmentation [75.58395328700821]
  本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。 MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。 4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
  論文  参考訳（メタデータ） (2021-07-07T19:06:34Z)
• 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)
• Improving prostate whole gland segmentation in t2-weighted MRI with synthetically generated data [1.315041045243413]
  前立腺の全身(WG)の区分は前立腺癌の検出、ステージングおよび処置計画で重要な役割を担います。 本研究では, WGセグメンテーションマスクを生成し, 前立腺のT2強調MRIを合成するパイプラインを提案する。 その結果,標準的な拡張技術と比較してWGセグメンテーションの品質は向上した。
  論文  参考訳（メタデータ） (2021-03-27T18:04:11Z)
• Shape-aware Meta-learning for Generalizing Prostate MRI Segmentation to Unseen Domains [68.73614619875814]
  前立腺MRIのセグメント化におけるモデル一般化を改善するために,新しい形状認識メタラーニング手法を提案する。 実験結果から,本手法は未確認領域の6つの設定すべてにおいて,最先端の一般化手法を一貫して上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2020-07-04T07:56:02Z)
• MS-Net: Multi-Site Network for Improving Prostate Segmentation with Heterogeneous MRI Data [75.73881040581767]
  本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。 当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2020-02-09T14:11:50Z)

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。