半教師つき学習とラベルフュージョンによる前庭神経鞘腫とか牛セグメンテーションのための教師なしドメイン適応【JST・京大機械翻訳】

Liu Han; Fan Yubo; Cui Can; Su Dingjie; McNeil Andrew; Dawant Benoit M.

プレプリント

J-GLOBAL ID：202202211290309820 整理番号：22P0279807

半教師つき学習とラベルフュージョンによる前庭神経鞘腫とか牛セグメンテーションのための教師なしドメイン適応【JST・京大機械翻訳】

Unsupervised Domain Adaptation for Vestibular Schwannoma and Cochlea Segmentation via Semi-supervised Learning and Label Fusion

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (6件)： , , , , ,
資料名：
発行年： 2022年01月25日プレプリントサーバーでの情報更新日： 2022年01月25日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

磁気共鳴イメージング(MRI)から前庭神経鞘腫(VS)腫瘍と蝸牛を分割する自動方法は,VS治療計画に重要である。教師つき方法はVSセグメンテーションにおいて満足な性能を達成したが,それらは専門家による完全な注釈を必要とし,それは面倒で時間がかかる。本研究では,教師なしドメイン適応設定におけるVSと蝸牛セグメンテーション問題に取り組むことを目的とした。提案手法は,画像レベルドメインアラインメントの両方を利用して,ドメイン発散と半教師つき訓練を最小化し,さらに性能を高める。さらに,雑音のあるラベル補正により複数のモデルから予測されるラベルを融合することを提案した。MICCAI 2021交差MoDAチャレンジにおいて,最終評価リーダボードに関する我々の結果は,著者らの提案方法が,VS腫瘍と蝸牛に対して,それぞれ79.9%と82.5%の平均ジセスコアと1.29mmと0.18mmのASSDを有する有望なセグメンテーション性能を達成したことを示した。著者らの方式によって達成された蝸牛ASSDは,他のすべての競合する方法および教師つきnnU-Netを凌駕した。【JST・京大機械翻訳】

, , , , , , , , ,
, 【Automatic Indexing@JST】

人工知能 , 図形・画像処理一般

, , , , , ,

前のページに戻る