論文の概要: Domain Generalization for Medical Imaging Classification with
Linear-Dependency Regularization
- arxiv url: http://arxiv.org/abs/2009.12829v3
- Date: Thu, 29 Oct 2020 10:28:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-14 03:36:18.322782
- Title: Domain Generalization for Medical Imaging Classification with
Linear-Dependency Regularization
- Title（参考訳）: リニア依存正規化による医用画像分類のためのドメイン一般化
- Authors: Haoliang Li, YuFei Wang, Renjie Wan, Shiqi Wang, Tie-Qiang Li, Alex C.
Kot
- Abstract要約: 本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。
医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
- 参考スコア（独自算出の注目度）: 59.5104563755095
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, we have witnessed great progress in the field of medical imaging
classification by adopting deep neural networks. However, the recent advanced
models still require accessing sufficiently large and representative datasets
for training, which is often unfeasible in clinically realistic environments.
When trained on limited datasets, the deep neural network is lack of
generalization capability, as the trained deep neural network on data within a
certain distribution (e.g. the data captured by a certain device vendor or
patient population) may not be able to generalize to the data with another
distribution.
In this paper, we introduce a simple but effective approach to improve the
generalization capability of deep neural networks in the field of medical
imaging classification. Motivated by the observation that the domain
variability of the medical images is to some extent compact, we propose to
learn a representative feature space through variational encoding with a novel
linear-dependency regularization term to capture the shareable information
among medical data collected from different domains. As a result, the trained
neural network is expected to equip with better generalization capability to
the "unseen" medical data. Experimental results on two challenging medical
imaging classification tasks indicate that our method can achieve better
cross-domain generalization capability compared with state-of-the-art
baselines.
- Abstract（参考訳）: 近年,深層ニューラルネットワークを用いた医用画像分類の分野で大きな進歩が見られる。
しかし、最近の先進的なモデルでは、十分に大きなデータセットと代表的なデータセットにアクセスする必要がある。
特定の分布(例えば、特定のデバイスベンダーまたは患者集団によって取得されたデータ)のデータ上の訓練されたディープニューラルネットワークは、別の分布でデータに一般化できない可能性があるため、限られたデータセットでトレーニングされたディープニューラルネットワークは、一般化能力の欠如である。
本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,単純かつ効果的なアプローチを提案する。
医用画像の領域可変性がある程度コンパクトであることから,新しい線形依存正規化項による変分符号化により代表的特徴空間を学習し,異なる領域から収集した医用データ間で共有可能な情報を取得することを提案する。
結果として、トレーニングされたニューラルネットワークは、"unseen"医療データに対するより優れた一般化能力を備えることが期待される。
2つの難解な医用画像分類タスクの実験結果から,本手法は最先端のベースラインと比較して,より優れたクロスドメイン一般化を実現することができた。
関連論文リスト
- Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。
提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。
提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
論文 参考訳（メタデータ） (2023-03-17T18:00:27Z) - Exposing and addressing the fragility of neural networks in digital
pathology [0.0]
textttStrongAugmentは、大規模な異種病理組織学的データを用いて評価される。
textttStrongAugmentでトレーニングされたニューラルネットワークは、すべてのデータセットで同様のパフォーマンスを維持している。
論文 参考訳（メタデータ） (2022-06-30T13:25:34Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - Privacy-Preserving Constrained Domain Generalization via Gradient
Alignment [37.916630896194334]
ディープ・ニューラル・ネットワーク(DNN)は医療画像の応用において前例のない成功を収めた。
データセットの可用性の制限と、患者のプライバシー保護のための厳格な法的および倫理的要件のため、医用画像分類の幅広い適用は、ほとんど妨げられてきた。
本稿では,プライバシ保護制約付きドメイン一般化手法を開発し,この問題に対処することを目的とする。
論文 参考訳（メタデータ） (2021-05-14T15:21:13Z) - Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。
共通情報と相補情報の両方を敵意で抽出することを目的としている。
特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文 参考訳（メタデータ） (2021-02-15T18:46:44Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳（メタデータ） (2020-12-10T04:01:07Z) - Mutual Information-based Disentangled Neural Networks for Classifying
Unseen Categories in Different Domains: Application to Fetal Ultrasound
Imaging [10.504733425082335]
ディープニューラルネットワークは、異なる絡み合ったドメイン特徴とカテゴリ特徴を持つ画像間の限定的な一般化性を示す。
本稿では,MIDNet(Multual Information-based Disentangled Neural Networks)を提案する。
2つの異なる画像分類タスクのための胎児超音波データセットについて,提案手法を広範囲に評価した。
論文 参考訳（メタデータ） (2020-10-30T17:32:18Z) - Realistic Adversarial Data Augmentation for MR Image Segmentation [17.951034264146138]
医用画像セグメンテーションのためのニューラルネットワークのトレーニングのための逆データ拡張手法を提案する。
このモデルでは,MR画像における共通の種類のアーチファクトによって生じる強度不均一性,すなわちバイアス場をモデル化する。
このような手法により,モデルの一般化と堅牢性の向上が図られ,低データシナリオにおける大幅な改善が期待できる。
論文 参考訳（メタデータ） (2020-06-23T20:43:18Z) - Progressive Adversarial Semantic Segmentation [11.323677925193438]
深い畳み込みニューラルネットワークは、完全な監視が与えられた場合、非常によく機能する。
画像解析タスクのための完全教師付きモデルの成功は、大量のラベル付きデータの入手に限られる。
本稿では,新しい医用画像分割モデル,Progressive Adrial Semantic(PASS)を提案する。
論文 参考訳（メタデータ） (2020-05-08T22:48:00Z) - MS-Net: Multi-Site Network for Improving Prostate Segmentation with
Heterogeneous MRI Data [75.73881040581767]
本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。
当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
論文 参考訳（メタデータ） (2020-02-09T14:11:50Z)
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。