論文の概要: Generalizability issues with deep learning models in medicine and their potential solutions: illustrated with Cone-Beam Computed Tomography (CBCT) to Computed Tomography (CT) image conversion

• arxiv url: http://arxiv.org/abs/2004.07700v2
• Date: Fri, 17 Apr 2020 14:50:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-12 22:21:28.278846
• Title: Generalizability issues with deep learning models in medicine and their potential solutions: illustrated with Cone-Beam Computed Tomography (CBCT) to Computed Tomography (CT) image conversion
• Title（参考訳）: Cone-Beam Computed Tomography (CBCT) とComputed Tomography (CT) による医用深層学習モデルの一般化可能性問題とその潜在的な解決策
• Authors: Xiao Liang, Dan Nguyen, Steve Jiang
• Abstract要約: 一般化可能性は、あるデータセットでトレーニングされたディープラーニング(DL)モデルを他のデータセットに適用する場合の懸念である。 1台の機械と1台の解剖学的部位で訓練されたモデルが、他の機械や他の部位でどのように動作するかを検討した。
• 参考スコア（独自算出の注目度）: 2.7714226334315324
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generalizability is a concern when applying a deep learning (DL) model trained on one dataset to other datasets. Training a universal model that works anywhere, anytime, for anybody is unrealistic. In this work, we demonstrate the generalizability problem, then explore potential solutions based on transfer learning (TL) by using the cone-beam computed tomography (CBCT) to computed tomography (CT) image conversion task as the testbed. Previous works have converted CBCT to CT-like images. However, all of those works studied only one or two anatomical sites and used images from the same vendor's scanners. Here, we investigated how a model trained for one machine and one anatomical site works on other machines and other sites. We trained a model on CBCT images acquired from one vendor's scanners for head and neck cancer patients and applied it to images from another vendor's scanners and for other disease sites. We found that generalizability could be a significant problem for this particular application when applying a trained DL model to datasets from another vendor's scanners. We then explored three practical solutions based on TL to solve this generalization problem: the target model, which is trained on a target domain from scratch; the combined model, which is trained on both source and target domain datasets from scratch; and the adapted model, which fine-tunes the trained source model to a target domain. We found that when there are sufficient data in the target domain, all three models can achieve good performance. When the target dataset is limited, the adapted model works the best, which indicates that using the fine-tuning strategy to adapt the trained model to an unseen target domain dataset is a viable and easy way to implement DL models in the clinic.
• Abstract（参考訳）: 一般化可能性は、あるデータセットでトレーニングされたディープラーニング(DL)モデルを他のデータセットに適用する場合の懸念である。 誰でもどこでも使えるユニバーサルモデルのトレーニングは、非現実的です。 本研究では, 一般化可能性問題を実証し, コーンビームCT(CBCT)からCT(CT)画像変換タスクをテストベッドとして利用することで, 伝達学習(TL)に基づく潜在的な解を探索する。 これまでの研究はCBCTをCTライクな画像に変換してきた。 しかし、これらの研究はすべて1つか2つの解剖学的部位のみを研究し、同じベンダーのスキャナーの画像を使用した。 そこで本研究では,1台のマシンと1台の解剖学的サイトを訓練したモデルが,他のマシンや他のサイトでどのように機能するかについて検討した。 我々は,あるベンダーの頭頸部癌患者用スキャナーから取得したCBCT画像のモデルを訓練し,他のベンダーのスキャナーおよび他の病気部位用イメージに適用した。 我々は、他のベンダーのスキャナーのデータセットにトレーニング済みのDLモデルを適用する際に、この特定のアプリケーションにとって、一般化可能性が重要な問題となることを発見した。 次に、この一般化問題を解決するために、TLに基づく実用的な3つの解決策を探索した。対象ドメインをゼロからトレーニングするターゲットモデル、ソースとターゲットの両方のドメインデータセットをゼロからトレーニングする組み合わせモデル、トレーニングしたソースモデルをターゲットドメインに微調整する適応モデルである。 対象領域に十分なデータがある場合、3つのモデル全てが優れたパフォーマンスを達成できることがわかった。 ターゲットのデータセットが制限された場合、適応したモデルが最もうまく動作し、トレーニングされたモデルを対象とするドメインデータセットに適用するための微調整戦略を使用することは、クリニックでdlモデルを実装する上で有効で簡単な方法であることを示している。

関連論文リスト

• SegBook: A Simple Baseline and Cookbook for Volumetric Medical Image Segmentation [20.026663367994356]
  大量のフルボディCT画像は、強力なモデルを事前訓練する機会を提供する。 これらの事前訓練されたモデルが、下流の様々な医療セグメンテーションタスクに移行できる状況は、まだ不明である。 我々は,全体CT事前訓練モデルの転写能力を評価するために,モダリティ,ターゲット,サンプルサイズが異なる87の公開データセットを収集した。
  論文  参考訳（メタデータ） (2024-11-21T19:00:01Z)
• DG-TTA: Out-of-domain medical image segmentation through Domain Generalization and Test-Time Adaptation [43.842694540544194]
  本稿では、ドメインの一般化とテスト時間適応を組み合わせることで、未確認対象領域で事前学習したモデルを再利用するための非常に効果的なアプローチを提案する。 本手法は,事前訓練した全身CTモデルと組み合わせることで,MR画像を高精度に分割できることを実証する。
  論文  参考訳（メタデータ） (2023-12-11T10:26:21Z)
• Promise:Prompt-driven 3D Medical Image Segmentation Using Pretrained Image Foundation Models [13.08275555017179]
  単点プロンプトのみを用いたプロンプト駆動型3次元医用画像分割モデルProMISeを提案する。 今回,大腸癌と膵腫瘍の2つの領域に分布する2つのパブリックデータセットについて検討した。
  論文  参考訳（メタデータ） (2023-10-30T16:49:03Z)
• Delving Deeper into Data Scaling in Masked Image Modeling [145.36501330782357]
  視覚認識のためのマスク付き画像モデリング(MIM)手法のスケーリング能力に関する実証的研究を行った。 具体的には、Webで収集したCoyo-700Mデータセットを利用する。 我々のゴールは、データとモデルのサイズの異なるスケールでダウンストリームタスクのパフォーマンスがどのように変化するかを調べることです。
  論文  参考訳（メタデータ） (2023-05-24T15:33:46Z)
• Vision-Language Modelling For Radiological Imaging and Reports In The Low Data Regime [70.04389979779195]
  本稿では,視覚および言語入力を共通空間に埋め込んだ医用視覚言語モデル(VLM)について検討する。 本稿では,新しい画像領域やテキスト領域への汎用事前学習モデルの適用など,低データ性能向上のためのいくつかの候補手法について検討する。 テキスト・ツー・イメージ検索をベンチマークとして,2つの胸部X線および放射線学的報告を用いた可変サイズのトレーニングデータセットを用いて,これらの手法の性能評価を行った。
  論文  参考訳（メタデータ） (2023-03-30T18:20:00Z)
• TRAK: Attributing Model Behavior at Scale [79.56020040993947]
  本稿では,大規模な微分モデルに対して有効かつ計算的に抽出可能なデータ属性法であるTRAK(Tracing with Randomly-trained After Kernel)を提案する。
  論文  参考訳（メタデータ） (2023-03-24T17:56:22Z)
• UNetFormer: A Unified Vision Transformer Model and Pre-Training Framework for 3D Medical Image Segmentation [14.873473285148853]
  UNetFormerと呼ばれる2つのアーキテクチャで構成され,3D Swin TransformerベースのエンコーダとConal Neural Network(CNN)とTransformerベースのデコーダを備えている。 提案モデルでは, 5つの異なる解像度でのスキップ接続により, エンコーダをデコーダにリンクする。 本稿では,ランダムにマスクされたトークンを予測する学習を通じて,エンコーダバックボーンの自己教師付き事前学習手法を提案する。
  論文  参考訳（メタデータ） (2022-04-01T17:38:39Z)
• Meta Internal Learning [88.68276505511922]
  単一画像生成のための内部学習は、単一の画像に基づいて新しい画像を生成するようにジェネレータを訓練するフレームワークである。 本稿では,サンプル画像の内部統計をより効果的にモデル化するために,画像集合のトレーニングを可能にするメタラーニング手法を提案する。 以上の結果から, 得られたモデルは, 多数の共通画像アプリケーションにおいて, シングルイメージのGANと同程度に適していることがわかった。
  論文  参考訳（メタデータ） (2021-10-06T16:27:38Z)
• Convolutional-LSTM for Multi-Image to Single Output Medical Prediction [55.41644538483948]
  発展途上国の一般的なシナリオは、複数の理由からボリュームメタデータが失われることである。 ヒトの診断過程を模倣したマルチイメージから単一診断モデルを得ることが可能である。
  論文  参考訳（メタデータ） (2020-10-20T04:30:09Z)
• Fed-Sim: Federated Simulation for Medical Imaging [131.56325440976207]
  本稿では、2つの学習可能なニューラルモジュールからなる物理駆動型生成手法を提案する。 データ合成フレームワークは、複数のデータセットの下流セグメンテーション性能を改善する。
  論文  参考訳（メタデータ） (2020-09-01T19:17:46Z)
• Domain Generalizer: A Few-shot Meta Learning Framework for Domain Generalization in Medical Imaging [23.414905586808874]
  モデルに依存しないメタラーニングフレームワークをベースとした領域一般化手法をバイオメディカルイメージングに適用する。 ドメインに依存しない特徴表現を学習し、未知のテスト分布に対するモデルの一般化を改善する。 本手法は, 画像取得プロトコル, 解剖学, スキャン対象地域, 画像解析対象地域, 画像解析対象地域, 画像解析対象地域, 画像解析対象地域, 画像解析対象地域, 画像診断対象地域, 画像診断対象地域, 画像診断対象地域, 画像診断対象地域, 画像診断対象地域, 画像診断対象地域, 画像診断対象地域, 画像診断対象地域, 画像診断対象地域, 画像診断対象地域, 画像診断対象地域, 画像診断対象地域, 画像診断対象地域, 画像診断対象地域, 画像診断
  論文  参考訳（メタデータ） (2020-08-18T03:35:56Z)

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。