論文の概要: Robust White Matter Hyperintensity Segmentation on Unseen Domain

• arxiv url: http://arxiv.org/abs/2102.06650v1
• Date: Fri, 12 Feb 2021 17:44:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-15 19:52:20.533072
• Title: Robust White Matter Hyperintensity Segmentation on Unseen Domain
• Title（参考訳）: unseenドメイン上のロバストな白色物質ハイパーインテンシティセグメンテーション
• Authors: Xingchen Zhao, Anthony Sicilia, Davneet Minhas, Erin O'Connor, Howard Aizenstein, William Klunk, Dana Tudorascu, Seong Jae Hwang
• Abstract要約: テスト分布に関する知識のないモデルをトレーニングするドメイン一般化(DG)の難問について考察する。 ホワイトマターハイパーインテンシティ(WMH)予測のタスクには,マルチサイトWMHチャレンジデータセットと当社のローカル社内データセットを用いて焦点を当てる。 機械的に異なる2つのDGアプローチ、すなわちドメイン対比学習とミックスアップが理論的相乗効果を持つかを特定する。
• 参考スコア（独自算出の注目度）: 5.490618192331097
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Typical machine learning frameworks heavily rely on an underlying assumption that training and test data follow the same distribution. In medical imaging which increasingly begun acquiring datasets from multiple sites or scanners, this identical distribution assumption often fails to hold due to systematic variability induced by site or scanner dependent factors. Therefore, we cannot simply expect a model trained on a given dataset to consistently work well, or generalize, on a dataset from another distribution. In this work, we address this problem, investigating the application of machine learning models to unseen medical imaging data. Specifically, we consider the challenging case of Domain Generalization (DG) where we train a model without any knowledge about the testing distribution. That is, we train on samples from a set of distributions (sources) and test on samples from a new, unseen distribution (target). We focus on the task of white matter hyperintensity (WMH) prediction using the multi-site WMH Segmentation Challenge dataset and our local in-house dataset. We identify how two mechanically distinct DG approaches, namely domain adversarial learning and mix-up, have theoretical synergy. Then, we show drastic improvements of WMH prediction on an unseen target domain.
• Abstract（参考訳）: 典型的な機械学習フレームワークは、トレーニングとテストデータが同じ分布に従うという前提に大きく依存している。 複数のサイトやスキャナーからデータセットを取得し始めた医療画像では、この同じ分布の仮定は、サイトまたはスキャナ依存因子によって誘導される系統的変動のために保持されないことが多い。 したがって、与えられたデータセットでトレーニングされたモデルが、他のディストリビューションからデータセット上で一貫して動作し、あるいは一般化することを単に期待することはできない。 本研究では,この課題に対処し,医療画像データに対する機械学習モデルの適用について検討する。 具体的には、テスト分布を知らずにモデルをトレーニングするドメイン一般化(DG)の難問について考察する。 つまり、私たちは一連の分布(ソース)からサンプルをトレーニングし、新しい見えない分布(ターゲット)からサンプルをテストします。 マルチサイトWMHセグメンテーションチャレンジデータセットと当社のローカル社内データセットを用いて,ホワイトマターハイパーインテンシティ(WMH)予測の課題に焦点を当てた。 機械的に異なる2つのDGアプローチ、すなわちドメイン対比学習とミックスアップが理論的相乗効果を持つかを特定する。 そこで,WMH予測を未知のターゲット領域上で飛躍的に改善した。

関連論文リスト

• Generalizing to any diverse distribution: uniformity, gentle finetuning and rebalancing [55.791818510796645]
  我々は,訓練データから大きく逸脱した場合でも,様々なテスト分布によく適応するモデルを開発することを目的としている。 ドメイン適応、ドメイン一般化、ロバスト最適化といった様々なアプローチは、アウト・オブ・ディストリビューションの課題に対処しようと試みている。 我々は、既知のドメイン内の十分に多様なテスト分布にまたがる最悪のケースエラーを考慮することで、より保守的な視点を採用する。
  論文  参考訳（メタデータ） (2024-10-08T12:26:48Z)
• Class-Balancing Diffusion Models [57.38599989220613]
  クラスバランシング拡散モデル(CBDM)は、分散調整正規化器をソリューションとして訓練する。 提案手法は,CIFAR100/CIFAR100LTデータセットで生成結果をベンチマークし,下流認識タスクにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2023-04-30T20:00:14Z)
• Domain Generalization with Adversarial Intensity Attack for Medical Image Segmentation [27.49427483473792]
  実世界のシナリオでは、トレーニング中に露出していない新しいドメインや異なるドメインのデータに遭遇することが一般的である。 ドメイン一般化(Domain Generalization, DG)は、モデルがこれまで見つからなかったドメインからのデータを扱うことを可能にする、有望な方向である。 本稿では,敵対的トレーニングを活用して無限のスタイルでトレーニングデータを生成する,AdverIN(Adversarial Intensity Attack)と呼ばれる新しいDG手法を提案する。
  論文  参考訳（メタデータ） (2023-04-05T19:40:51Z)
• Domain Adaptation and Generalization on Functional Medical Images: A Systematic Survey [2.990508892017587]
  機械学習アルゴリズムは、自然言語処理、コンピュータビジョン、信号処理、医療データ処理など、さまざまな分野に革命をもたらした。 機械学習アルゴリズムの優れた能力にもかかわらず、これらのモデルの性能は主に、テストやトレーニングデータ分布の変化によって低下する。 本稿では,機能的脳信号に対するドメイン一般化(DG)とドメイン適応(DA)の体系的レビューを行う。
  論文  参考訳（メタデータ） (2022-12-04T21:52:38Z)
• Unsupervised Domain Adaptation Using Feature Disentanglement And GCNs For Medical Image Classification [5.6512908295414]
  本稿では,グラフニューラルネットワークを用いた教師なし領域適応手法を提案する。 分布シフトを伴う2つの挑戦的医用画像データセットの分類法について検討した。 実験により,本手法は他の領域適応法と比較して最先端の結果が得られることが示された。
  論文  参考訳（メタデータ） (2022-06-27T09:02:16Z)
• A Systematic Evaluation of Domain Adaptation in Facial Expression Recognition [0.0]
  本稿では,表情認識における領域適応の体系的評価について述べる。 我々は、最先端のトランスファー学習技術と、6つの一般的な顔表情データセットを使用する。 その結果,移動学習の精度は高くなく,目的のデータセットと慣用的に異なることがわかった。
  論文  参考訳（メタデータ） (2021-06-29T14:41:19Z)
• Decentralized Local Stochastic Extra-Gradient for Variational Inequalities [125.62877849447729]
  我々は、不均一(非IID)で多くのデバイスに分散する問題データを持つ領域上での分散変分不等式(VIs)を考察する。 我々は、完全に分散化された計算の設定を網羅する計算ネットワークについて、非常に一般的な仮定を行う。 理論的には, モノトン, モノトンおよび非モノトンセッティングにおける収束速度を理論的に解析する。
  論文  参考訳（メタデータ） (2021-06-15T17:45:51Z)
• WILDS: A Benchmark of in-the-Wild Distribution Shifts [157.53410583509924]
  分散シフトは、ワイルドにデプロイされた機械学習システムの精度を実質的に低下させることができる。 分散シフトの多様な範囲を反映した8つのベンチマークデータセットのキュレーションコレクションであるWILDSを紹介します。 本研究は, 標準訓練の結果, 分布性能よりも, 分布域外性能が有意に低下することを示す。
  論文  参考訳（メタデータ） (2020-12-14T11:14:56Z)
• Deep Mining External Imperfect Data for Chest X-ray Disease Screening [57.40329813850719]
  我々は、外部のCXRデータセットを組み込むことで、不完全なトレーニングデータにつながると論じ、課題を提起する。 本研究は,多ラベル病分類問題を重み付き独立二分課題として分類する。 我々のフレームワークは、ドメインとラベルの相違を同時にモデル化し、対処し、優れた知識マイニング能力を実現する。
  論文  参考訳（メタデータ） (2020-06-06T06:48:40Z)
• Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
  本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。 そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。 最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
  論文  参考訳（メタデータ） (2020-03-10T03:10:41Z)
• Learn to Expect the Unexpected: Probably Approximately Correct Domain Generalization [38.345670899258515]
  ドメインの一般化は、トレーニングデータとテストデータが異なるデータドメインから来るときの機械学習の問題である。 データ分布にメタ分布が存在する領域をまたいで一般化する単純な理論モデルを提案する。
  論文  参考訳（メタデータ） (2020-02-13T17:37:53Z)

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。