論文の概要: First U-Net Layers Contain More Domain Specific Information Than The Last Ones

• arxiv url: http://arxiv.org/abs/2008.07357v1
• Date: Mon, 17 Aug 2020 14:31:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-28 03:33:47.498916
• Title: First U-Net Layers Contain More Domain Specific Information Than The Last Ones
• Title（参考訳）: ドメイン固有の情報を含む最初のU-Netレイヤ
• Authors: Boris Shirokikh and Ivan Zakazov and Alexey Chernyavskiy and Irina Fedulova and Mikhail Belyaev
• Abstract要約: 最初のレイヤの微調整は、ほとんどすべての教師付きドメイン適応設定において、最後のレイヤの微調整よりも大幅に優れています。 最初のレイヤの微調整は、新しいドメインからの注釈付きデータの量が厳密に制限されている場合、ネットワーク全体の微調整よりも優れた戦略である。
• 参考スコア（独自算出の注目度）: 0.055997926295092294
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: MRI scans appearance significantly depends on scanning protocols and, consequently, the data-collection institution. These variations between clinical sites result in dramatic drops of CNN segmentation quality on unseen domains. Many of the recently proposed MRI domain adaptation methods operate with the last CNN layers to suppress domain shift. At the same time, the core manifestation of MRI variability is a considerable diversity of image intensities. We hypothesize that these differences can be eliminated by modifying the first layers rather than the last ones. To validate this simple idea, we conducted a set of experiments with brain MRI scans from six domains. Our results demonstrate that 1) domain-shift may deteriorate the quality even for a simple brain extraction segmentation task (surface Dice Score drops from 0.85-0.89 even to 0.09); 2) fine-tuning of the first layers significantly outperforms fine-tuning of the last layers in almost all supervised domain adaptation setups. Moreover, fine-tuning of the first layers is a better strategy than fine-tuning of the whole network, if the amount of annotated data from the new domain is strictly limited.
• Abstract（参考訳）: MRIスキャンの外観は、走査プロトコルに大きく依存しており、その結果、データ収集機関である。 これらの臨床部位の違いは、見えない領域におけるCNNセグメンテーションの品質を劇的に低下させる。 最近提案されたMRI領域適応法の多くは、ドメインシフトを抑制するために最後のCNN層で動作する。 同時に、MRIの変動性のコアは、画像強度のかなりの多様性である。 我々は、これらの違いは最後の層ではなく最初の層を変更することで排除できると仮定する。 この簡単なアイデアを検証するために、6つの領域の脳MRIスキャンを用いて一連の実験を行った。 私たちの結果は 1) ドメインシフトは、単純な脳抽出セグメンテーションタスクであっても品質を低下させる可能性がある(表層サイススコアは0.85-0.89から0.09まで低下する)。 2) 最初のレイヤの微調整は、ほとんどすべての教師付きドメイン適応設定において、最後のレイヤの微調整を大幅に上回る。 さらに、新しいドメインからの注釈付きデータの量が厳密に制限されている場合、最初のレイヤの微調整はネットワーク全体の微調整よりも優れた戦略である。

関連論文リスト

• Grounding Stylistic Domain Generalization with Quantitative Domain Shift Measures and Synthetic Scene Images [63.58800688320182]
  ドメインの一般化は機械学習において難しい課題である。 現在の方法論は、スタイリスティック領域におけるシフトに関する定量的な理解を欠いている。 これらのリスクに対処する新しいDGパラダイムを導入する。
  論文  参考訳（メタデータ） (2024-05-24T22:13:31Z)
• Rethinking U-net Skip Connections for Biomedical Image Segmentation [0.4154350202907906]
  アウト・オブ・ディストリビューションデータは、ニューラルネットワークの性能を著しく損なう可能性がある。 以前の研究では、トレーニングされたネットワーク層は、このドメインシフトに対する感受性が異なることが示されていた。 Hellinger 距離を用いて各ネットワーク層固有の領域感受性を定量化する。
  論文  参考訳（メタデータ） (2024-02-13T08:07:14Z)
• Mitigating the Influence of Domain Shift in Skin Lesion Classification: A Benchmark Study of Unsupervised Domain Adaptation Methods on Dermoscopic Images [3.2186308082558632]
  皮膚病変分類におけるディープニューラルネットワークの可能性は、皮膚科医の診断に勝るものではないが、すでに実証されている。 これらのモデルの性能は通常、テストデータがトレーニングデータ(ドメインシフト)と大きく異なるときに劣化する。 本研究では,8種類の非教師付き領域適応手法の詳細な解析を行い,その適用性を検討した。
  論文  参考訳（メタデータ） (2023-10-05T10:17:47Z)
• Domain shifts in dermoscopic skin cancer datasets: Evaluation of essential limitations for clinical translation [0.0]
  メタデータに基づいて,ISICアーカイブから公開されている画像をグループ化し,意味のある領域を生成する。 複数の定量化手法を用いて、領域シフトの存在と強度を推定した。 グループ化されたドメインのほとんどでは、実際にはドメインシフトが存在します。
  論文  参考訳（メタデータ） (2023-04-14T07:38:09Z)
• Disentanglement enables cross-domain Hippocampus Segmentation [1.2020488155038649]
  ラベル付きトレーニングデータの限られた量は、医用画像の一般的な問題である。 これにより、よく一般化されたモデルをトレーニングすることが難しくなり、しばしば未知のドメインで失敗する。 我々は,T1強調MRI像を内容と領域に切り離し,この問題に対処する。
  論文  参考訳（メタデータ） (2022-01-14T19:49:53Z)
• InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal Artifact Reduction in CT Images [53.4351366246531]
  InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。 異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2021-12-23T15:52:37Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• Anatomy of Domain Shift Impact on U-Net Layers in MRI Segmentation [0.08156494881838945]
  SpotTUnetはCNNアーキテクチャであり、最適に微調整されるべきレイヤを自動的に選択する。 本手法は,アノテートデータの極端な不足下においても,非フレキシブル微調整法と同等の精度で動作可能であることを示す。
  論文  参考訳（メタデータ） (2021-07-10T21:13:55Z)
• Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
  本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。 具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。 提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-05-17T10:11:45Z)
• Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
  我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-14T16:50:50Z)
• Shape-aware Meta-learning for Generalizing Prostate MRI Segmentation to Unseen Domains [68.73614619875814]
  前立腺MRIのセグメント化におけるモデル一般化を改善するために,新しい形状認識メタラーニング手法を提案する。 実験結果から,本手法は未確認領域の6つの設定すべてにおいて,最先端の一般化手法を一貫して上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2020-07-04T07:56:02Z)

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。