論文の概要: Embracing the Disharmony in Heterogeneous Medical Data
- arxiv url: http://arxiv.org/abs/2103.12857v1
- Date: Tue, 23 Mar 2021 21:36:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-26 00:34:43.619331
- Title: Embracing the Disharmony in Heterogeneous Medical Data
- Title（参考訳）: 不均一医療データにおける不調和の受容
- Authors: Rongguang Wang, Pratik Chaudhari, Christos Davatzikos
- Abstract要約: 医療画像データの不均一性は、しばしば機械学習の文脈でドメイン不変性を用いて取り組まれる。
本論文は異種性を受け入れ,マルチタスク学習問題として扱う。
提案手法は,主分類タスクにおけるデータセット間の分類精度を5～30%向上することを示す。
- 参考スコア（独自算出の注目度）: 12.739380441313022
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Heterogeneity in medical imaging data is often tackled, in the context of
machine learning, using domain invariance, i.e. deriving models that are robust
to domain shifts, which can be both within domain (e.g. demographics) and
across domains (e.g. scanner/protocol characteristics). However this approach
can be detrimental to performance because it necessitates averaging across
intra-class variability and reduces discriminatory power of learned models, in
order to achieve better intra- and inter-domain generalization. This paper
instead embraces the heterogeneity and treats it as a multi-task learning
problem to explicitly adapt trained classifiers to both inter-site and
intra-site heterogeneity. We demonstrate that the error of a base classifier on
challenging 3D brain magnetic resonance imaging (MRI) datasets can be reduced
by 2-3 times, in certain tasks, by adapting to the specific demographics of the
patients, and different acquisition protocols. Learning the characteristics of
domain shifts is achieved via auxiliary learning tasks leveraging commonly
available data and variables, e.g. demographics. In our experiments, we use
gender classification and age regression as auxiliary tasks helping the network
weights trained on a source site adapt to data from a target site; we show that
this approach improves classification accuracy by 5-30 % across different
datasets on the main classification tasks, e.g. disease classification.
- Abstract（参考訳）: 医用画像データの不均一性は、機械学習の文脈において、ドメイン不変性、すなわち、しばしば取り組まれる。
ドメインシフトに対して堅牢なモデル(例:ドメイン内の両方)を導出する。
人口統計)、およびドメイン全体(例えば、)
スキャナー/プロトコール特性)。
しかし、この手法は、クラス内およびドメイン間の一般化を改善するために、クラス内変数の平均化を必要とし、学習モデルの識別力を低下させるため、パフォーマンスに有害である。
本稿では,この不均一性を取り込んでマルチタスク学習問題として扱い,訓練された分類器をサイト間およびサイト内不均一性の両方に明示的に適応させる。
本研究は,脳磁場共鳴画像(MRI)データセットに対するベース分類器の誤差を,患者の特定の人口動態や異なる取得プロトコルに適応することにより,特定のタスクにおいて2～3倍に低減できることを実証する。
ドメインシフトの特徴の学習は、一般的に利用可能なデータと変数、例えば、補助的な学習タスクによって達成される。
人口統計
実験では,ソースサイト上でトレーニングされたネットワーク重みが対象サイトのデータに適応するのを支援する補助タスクとして,性別分類と年齢回帰を用いて,主な分類タスク上のデータセット間での分類精度を5～30%向上することを示した。
病気の分類。
関連論文リスト
- Curriculum-Based Augmented Fourier Domain Adaptation for Robust Medical
Image Segmentation [18.830738606514736]
本研究は、堅牢な医用画像分割のためのカリキュラムベースの拡張フーリエドメイン適応(Curri-AFDA)を提案する。
特に、カリキュラム学習戦略は、異なるレベルのデータシフトの下でのモデルの因果関係に基づいている。
複数のサイトやスキャナーから収集した網膜と核の2つのセグメンテーションタスクの実験から,提案手法が優れた適応と一般化性能をもたらすことが示唆された。
論文 参考訳（メタデータ） (2023-06-06T08:56:58Z) - 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) - Stacking Ensemble Learning in Deep Domain Adaptation for Ophthalmic
Image Classification [61.656149405657246]
ドメイン適応は、十分なラベルデータを取得することが困難な画像分類タスクに有効である。
本稿では,3つのドメイン適応手法を拡張することで,アンサンブル学習を積み重ねるための新しい手法SELDAを提案する。
Age-Related Eye Disease Study (AREDS)ベンチマーク眼科データセットを用いた実験結果から,提案モデルの有効性が示された。
論文 参考訳（メタデータ） (2022-09-27T14:19:00Z) - 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) - 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) - 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) - 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) - Domain Generalization for Medical Imaging Classification with
Linear-Dependency Regularization [59.5104563755095]
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。
論文 参考訳（メタデータ） (2020-09-27T12:30:30Z) - Cross-Domain Segmentation with Adversarial Loss and Covariate Shift for
Biomedical Imaging [2.1204495827342438]
本論文は,異なるモダリティから異なるパターンと共有パターンをカプセル化することにより,ドメイン間データから堅牢な表現を学習できる新しいモデルの実現を目的とする。
正常な臨床試験で得られたCTおよびMRI肝データに対する試験は、提案したモデルが他のすべてのベースラインを大きなマージンで上回っていることを示している。
論文 参考訳（メタデータ） (2020-06-08T07:35:55Z) - 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。