专栏首页arxiv.org翻译专栏通过共分割实现基于涂鸦的域自适应
原创

通过共分割实现基于涂鸦的域自适应

中文题目:通过共分割实现基于涂鸦的域自适应

中文摘要:虽然深卷积网络在许多医学图像分割任务中已经达到了最先进的性能,但它们通常表现出较差的泛化能力。为了能够从一个领域(例如,一种成像模式)归纳到另一个领域,必须进行领域适应。虽然监督方法可能会带来良好的性能,但它们需要完全注释额外的数据,这在实践中可能是不可能的。相比之下,无监督方法不需要额外的注释,但通常不稳定且难以训练。在这项工作中,我们提出了一种新的弱监督方法。不再需要详细但耗时的注释,而是使用目标域上的涂鸦来执行域调整。提出了一种基于结构化学习和协同分割的领域自适应算法。由于引入了正则损失,我们的方法很容易训练。该框架在前庭神经鞘瘤分割(T1到T2扫描)上得到验证。我们提出的方法优于无监督的方法,并且取得了与完全监督方法相当的性能。

英文题目:Scribble-based Domain Adaptation via Co-segmentation

英文摘要:Although deep convolutional networks have reached state-of-the-art performance in many medical image segmentation tasks, they have typically demonstrated poor generalisation capability. To be able to generalise from one domain (e.g. one imaging modality) to another, domain adaptation has to be performed. While supervised methods may lead to good performance, they require to fully annotate additional data which may not be an option in practice. In contrast, unsupervised methods don't need additional annotations but are usually unstable and hard to train. In this work, we propose a novel weakly-supervised method. Instead of requiring detailed but time-consuming annotations, scribbles on the target domain are used to perform domain adaptation. This paper introduces a new formulation of domain adaptation based on structured learning and co-segmentation. Our method is easy to train, thanks to the introduction of a regularised loss. The framework is validated on Vestibular Schwannoma segmentation (T1 to T2 scans). Our proposed method outperforms unsupervised approaches and achieves comparable performance to a fully-supervised approach.

原文作者:Reuben Dorent, Samuel Joutard, Jonathan Shapey, Sotirios Bisdas, Neil Kitchen, Robert Bradford, Shakeel Saeed, Marc Modat, Sebastien Ourselin, Tom Vercauteren

原文地址:https://arxiv.org/abs/2007.03632

PDF链接:https://arxiv.org/pdf/2007.03632.pdf

原创声明,本文系作者授权云+社区发表,未经许可,不得转载。

如有侵权,请联系 yunjia_community@tencent.com 删除。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 推进图形代码要求的可视化规范

    中文摘要:人文学科的研究人员正在探索大数据世界。 他们已开始使用Python或R之类的编程语言及其相应的库来操纵大型数据集并发现全新的见解。 仍然存在的主要障碍...

    用户7454122
  • 机器人绘画的艺术风格:一种从人类艺术家那里学习笔触的机器学习方法

    中文摘要:自20世纪70年代以来,机器人绘画一直是艺术家和机器人专家们感兴趣的课题。研究人员和跨学科艺术家们利用各种绘画技术和人机协作模型在画布上创建视觉媒介。...

    用户7454122
  • 同时学习基于几何的视觉测程方法的修正和误差模型

    中文摘要:本文提出了这样一种观点,即深度学习方法可以用来补充经典的视觉测程管道,以提高它们的精度,并将不确定性模型与它们的估计相关联。我们表明,固有的偏见视觉测...

    用户7454122
  • 乐器分类的端对端对抗性白盒攻击行为(CS SD)

    对输入数据的小规模对抗性扰动会在很大程度上改变机器学习系统的性能,从而对这种系统的有效性提出挑战。我们提出了第一个针对乐器分类系统的端到端对抗性攻击,允许直接在...

    Rosalie
  • C++核心准则C.152:永远不要将派生类数组的指针赋值给基类指针

    Subscripting the resulting base pointer will lead to invalid object access and p...

    面向对象思考
  • mydumper安装笔记

    参考:http://www.tuicool.com/articles/2eAVVvN

    二狗不要跑
  • Tracking Emerges by Colorizing Videos

    Carl Vondrick , Abhinav Shrivastava , Alireza Fathi , Sergio Guadarrama ,Kevin M...

    用户1908973
  • 一些Cloud for Customer的客户需求

    Partner has created his own stable anchor to point to his embedded component EC_...

    Jerry Wang
  • 使用Apache Server 的ab进行web请求压力测试

    参考:http://www.cnblogs.com/spring3mvc/archive/2010/11/23/2414741.html 自己写代码经常是顺着逻...

    Ryan-Miao
  • 利用卫星图像预测手机使用指标(CS CY)

    尽管数字接入可以通过革新经济发展机会来减少贫困,但大约有一半的全球人口无法访问互联网。由于缺乏数据,移动网络运营商(MNO),政府和其他数字生态系统参与者难以有...

    小童

扫码关注云+社区

领取腾讯云代金券