Fugu-MT 論文翻訳(概要): Unsupervised Domain Adaptation for Mammogram Image Classification: A Promising Tool for Model Generalization

論文の概要: Unsupervised Domain Adaptation for Mammogram Image Classification: A Promising Tool for Model Generalization

arxiv url: http://arxiv.org/abs/2003.01111v1
Date: Mon, 2 Mar 2020 02:42:43 GMT
ステータス: 処理完了
システム内更新日: 2022-12-27 05:59:12.600219
Title: Unsupervised Domain Adaptation for Mammogram Image Classification: A Promising Tool for Model Generalization
Title（参考訳）: マンモグラム画像分類のための教師なし領域適応:モデル一般化のためのプロトタイプツール
Authors: Yu Zhang, Gongbo Liang, Nathan Jacobs, Xiaoqin Wang
Abstract要約: 一般化は、深層学習モデルの医療画像への応用における重要な課題の1つである。本稿では,Cycle-GANを用いた教師なしドメイン適応(UDA)手法を提案する。
参考スコア（独自算出の注目度）: 17.941506832422192
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Generalization is one of the key challenges in the clinical validation and application of deep learning models to medical images. Studies have shown that such models trained on publicly available datasets often do not work well on real-world clinical data due to the differences in patient population and image device configurations. Also, manually annotating clinical images is expensive. In this work, we propose an unsupervised domain adaptation (UDA) method using Cycle-GAN to improve the generalization ability of the model without using any additional manual annotations.
Abstract（参考訳）: 一般化は、深層学習モデルの医療画像への応用における重要な課題の1つである。公開データセットでトレーニングされたそのようなモデルは、患者集団と画像デバイス構成の違いにより、実世界の臨床データではうまく機能しないことが多い。また、手動による臨床画像の注釈も高価である。本研究では,追加の手動アノテーションを使わずにモデルの一般化能力を向上させるために,cycle-ganを用いた教師なしドメイン適応(uda)手法を提案する。

関連論文リスト

Leveraging Computational Pathology AI for Noninvasive Optical Imaging Analysis Without Retraining [3.6835809728620634]
非侵襲的な光学画像モダリティは、患者の組織を3Dでプローブし、時間とともに、サンプルごとに臨床的に関係のあるデータをギガバイト生成する。このデータを分析し、臨床ワークフローを支援するために、AIモデルが必要である。本稿では,リトレーニングなしで計算病理から任意のAIモデルを適用する手法であるFoundationShiftを紹介する。
論文参考訳（メタデータ） (2024-11-18T14:35:01Z)
Prompting Segment Anything Model with Domain-Adaptive Prototype for Generalizable Medical Image Segmentation [49.5901368256326]
医用画像のセグメンテーションにおけるセグメンテーションモデル(DAPSAM)の微調整のための新しいドメイン適応型プロンプトフレームワークを提案する。 DAPSAMは,2つの医療画像分割タスクにおいて,異なるモダリティで最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2024-09-19T07:28:33Z)
Benchmarking Embedding Aggregation Methods in Computational Pathology: A Clinical Data Perspective [32.93871326428446]
人工知能(AI)の最近の進歩は、医療画像と計算病理に革命をもたらしている。デジタル全スライド画像(WSI)の解析における一定の課題は、何万ものタイルレベルの画像埋め込みをスライドレベルの表現に集約する問題である。本研究は,9つの臨床的課題を対象とした10種類のスライドレベルのアグリゲーション手法のベンチマーク分析を行った。
論文参考訳（メタデータ） (2024-07-10T17:00:57Z)
Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
論文参考訳（メタデータ） (2024-03-19T09:28:19Z)
Generalizing Across Domains in Diabetic Retinopathy via Variational Autoencoders [0.0]
糖尿病網膜症分類のための領域一般化は、モデルが網膜画像の適切な分類を可能にする。本研究では, 変分オートエンコーダの固有容量を考察し, 基礎画像の潜伏空間を乱す方法について検討した。
論文参考訳（メタデータ） (2023-09-20T13:29:22Z)
DGM-DR: Domain Generalization with Mutual Information Regularized Diabetic Retinopathy Classification [40.35834579068518]
トレーニングとテストデータのドメインシフトは、一般的なディープラーニングモデルをトレーニングする上で大きな課題となる。医用画像領域に事前訓練されたモデルとしてモデル目的関数を再確立するDG法を提案する。提案手法は,従来の最先端技術よりも平均精度5.25%,標準偏差が低い。
論文参考訳（メタデータ） (2023-09-18T11:17:13Z)
Consistency Regularization for Generalizable Source-free Domain Adaptation [62.654883736925456]
ソースフリードメイン適応(source-free domain adapt, SFDA)は、ソースデータセットにアクセスすることなく、十分にトレーニングされたソースモデルを未学習のターゲットドメインに適応することを目的としている。既存のSFDAメソッドは、ターゲットのトレーニングセット上で適用されたモデルを評価し、目に見えないが同一の分散テストセットからデータを無視する。より一般化可能なSFDA法を開発するための整合正則化フレームワークを提案する。
論文参考訳（メタデータ） (2023-08-03T07:45:53Z)
MedFMC: A Real-world Dataset and Benchmark For Foundation Model Adaptation in Medical Image Classification [41.16626194300303]
ファンデーションモデルは、多くの場合、大規模なデータで事前訓練されているが、様々なビジョンや言語アプリケーションのジャンプ開始において、最も成功している。最近の進歩により、下流タスクにおける基礎モデルの適応は、少数のトレーニングサンプルだけで効率的に行えるようになった。しかし, 医用画像解析におけるそのような学習パラダイムの適用は, 一般に公開されているデータやベンチマークが不足しているため, 依然として少ない。
論文参考訳（メタデータ） (2023-06-16T01:46:07Z)
Evaluation of Complexity Measures for Deep Learning Generalization in Medical Image Analysis [77.34726150561087]
PAC-ベイズ平坦度とパスノルムに基づく測度は、モデルとデータの組み合わせについて最も一貫した説明をもたらす。また,乳房画像に対するマルチタスク分類とセグメンテーションのアプローチについても検討した。
論文参考訳（メタデータ） (2021-03-04T20:58:22Z)
Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
ドメイン適応を容易にするデータ拡張手法を提案する。逆生成したサンプルはドメイン適応時に使用される。その結果,本手法の有効性とタスクの一般性が確認された。
論文参考訳（メタデータ） (2021-01-13T03:20:20Z)
Towards Unsupervised Learning for Instrument Segmentation in Robotic Surgery with Cycle-Consistent Adversarial Networks [54.00217496410142]
本稿では、入力された内視鏡画像と対応するアノテーションとのマッピングを学習することを目的として、未ペア画像から画像への変換を提案する。当社のアプローチでは,高価なアノテーションを取得することなく,イメージセグメンテーションモデルをトレーニングすることが可能です。提案手法をEndovis 2017チャレンジデータセットで検証し,教師付きセグメンテーション手法と競合することを示す。
論文参考訳（メタデータ） (2020-07-09T01:39:39Z)

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。