Zum Inhalt springen

Nur-Lesen-Fassung: Das Forschungsinformationssystem (FIS) ist aus Sicherheitsgründen vorübergehend durch diese Nur-Lesen-Fassung ersetzt. Alle öffentlichen Inhalte und Volltexte sind weiterhin abrufbar; Anmeldung, Bearbeitung, Einreichung und Statistiken stehen nicht zur Verfügung. Bei Fragen: fis@uni-bamberg.de

Start › Publikationen › unORANIC : Unsupervised Orthogonalization of Anatomy and Image-Characteristic Features

Publikation

unORANIC : Unsupervised Orthogonalization of Anatomy and Image-Characteristic Features

Doerrich, Sebastian; Di Salvo, Francesco; Ledig, Christian (2023): unORANIC : Unsupervised Orthogonalization of Anatomy and Image-Characteristic Features, in: Xiaohuan Cao, Xuanang Xu, Islem Rekik, u. a. (Hrsg.), Machine Learning in Medical Imaging : 14th International Workshop, MLMI 2023, Held in Conjunction with MICCAI 2023, Vancouver, BC, Canada, October 8, 2023 ; Proceedings, Part I, Cham: Springer Nature Switzerland, S. 62–71, doi: 10.1007/978-3-031-45673-2_7.

Details

Fakultät/Lehrstuhl
Autorin(nen)/Autor(en)
Von
Doerrich, Sebastian; ...
Titel des Sammelwerks
Machine Learning in Medical Imaging : 14th International Workshop, MLMI 2023, Held in Conjunction with MICCAI 2023, Vancouver, BC, Canada, October 8, 2023 ; Proceedings, Part I
Herausgeberin(nen)/Herausgeber des Sammelwerks
Cao, Xiaohuan
Xu, Xuanang
Rekik, Islem
Cui, Zhiming
Ouyang, Xi
ISSN
1611-3349
Konferenz
14th International Workshop, MLMI 2023, Held in Conjunction with MICCAI 2023, October 8, 2023, Vancouver, BC, Canada
Verlagsangabe
Springer Nature Switzerland : Cham
Erscheinungsjahr
2023
ISBN
978-3-031-45672-5
978-3-031-45673-2
Sprache(n)
Englisch
DOI
Abstract

We introduce unORANIC, an unsupervised approach that uses an adapted loss function to drive the orthogonalization of anatomy and image-characteristic features. The method is versatile for diverse modalities and tasks, as it does not require domain knowledge, paired data samples, or labels. During test time unORANIC is applied to potentially corrupted images, orthogonalizing their anatomy and characteristic components, to subsequently reconstruct corruption-free images, showing their domain-invariant anatomy only. This feature orthogonalization further improves generalization and robustness against corruptions. We confirm this qualitatively and quantitatively on 5 distinct datasets by assessing unORANIC’s classification accuracy, corruption detection and revision capabilities. Our approach shows promise for enhancing the generalizability and robustness of practical applications in medical image analysis. The source code is available at github.com/sdoerrich97/unORANIC.

GND-Schlagwort(e)
Deep Learning
Bildanalyse
Mensch
Anatomie
Orthogonalisierung
Robustheit
Generalisierung
Informatik
Freie Schlagwort(e)
feature orthogonalization
robustness
corruption revision
unsupervised learning
generalization
DDC-Klassifikation
004 Computer science
RVK-Klassifikation
ST 330
Peer Reviewed
ja
Internationale Verbreitung
ja
Open-Access-Zeitschrift
nein
Dokumenttyp
Konferenzveröffentlichung
URI
Datum der Freischaltung
20.11.2023

Permalink: https://fis.uni-bamberg.de/handle/uniba/91842 · Daten als JSON · Zitieren: BibTeX · RIS

Datenstand: 16.11.2026

Eingeschränkter Lesezugriff: Anmeldung, Bearbeitung und Einreichung sind vorübergehend deaktiviert.