論文の概要: Domain Generalization on Medical Imaging Classification using Episodic
Training with Task Augmentation
- arxiv url: http://arxiv.org/abs/2106.06908v1
- Date: Sun, 13 Jun 2021 03:56:59 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-18 13:25:41.358315
- Title: Domain Generalization on Medical Imaging Classification using Episodic
Training with Task Augmentation
- Title（参考訳）: タスク拡張を伴うエピソディクス訓練を用いた医用画像分類の領域一般化
- Authors: Chenxin Li, Qi Qi, Xinghao Ding, Yue Huang, Dong Liang and Yizhou Yu
- Abstract要約: 本稿では,医用画像分類におけるタスク強化によるエピソードトレーニングの新たな手法を提案する。
実際の医療展開において、限られた数のソースドメインによって動機付けられ、ユニークなタスクレベルのオーバーフィッティングを検討します。
- 参考スコア（独自算出の注目度）: 62.49837463676111
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Medical imaging datasets usually exhibit domain shift due to the variations
of scanner vendors, imaging protocols, etc. This raises the concern about the
generalization capacity of machine learning models. Domain generalization (DG),
which aims to learn a model from multiple source domains such that it can be
directly generalized to unseen test domains, seems particularly promising to
medical imaging community. To address DG, recent model-agnostic meta-learning
(MAML) has been introduced, which transfers the knowledge from previous
training tasks to facilitate the learning of novel testing tasks. However, in
clinical practice, there are usually only a few annotated source domains
available, which decreases the capacity of training task generation and thus
increases the risk of overfitting to training tasks in the paradigm. In this
paper, we propose a novel DG scheme of episodic training with task augmentation
on medical imaging classification. Based on meta-learning, we develop the
paradigm of episodic training to construct the knowledge transfer from episodic
training-task simulation to the real testing task of DG. Motivated by the
limited number of source domains in real-world medical deployment, we consider
the unique task-level overfitting and we propose task augmentation to enhance
the variety during training task generation to alleviate it. With the
established learning framework, we further exploit a novel meta-objective to
regularize the deep embedding of training domains. To validate the
effectiveness of the proposed method, we perform experiments on
histopathological images and abdominal CT images.
- Abstract（参考訳）: 医療画像データセットは通常、スキャナベンダやイメージングプロトコルのバリエーションによってドメインシフトを示す。
これにより、機械学習モデルの一般化能力に関する懸念が高まる。
ドメイン一般化(Domain Generalization, DG)は、複数のソースドメインからモデルを学習し、直接見えないテストドメインに一般化することを目的としている。
DGに対処するために、最近のモデル非依存メタラーニング(MAML)が導入され、新しいテストタスクの学習を容易にするために、以前のトレーニングタスクから知識を伝達する。
しかし、臨床実践では、通常は少数の注釈付きソースドメインしか使用できないため、トレーニングタスク生成の能力が低下し、パラダイムにおけるトレーニングタスクへの過剰フィットのリスクが高まる。
本稿では,医用画像分類におけるタスク強化を用いた新しいDG法を提案する。
メタラーニングに基づき, エピソジック学習のパラダイムを構築し, エピソジック・トレーニング・タスク・シミュレーションからDGの実際のテストタスクへの知識伝達を構築する。
実際の医療展開において,限られた数のソースドメインに動機づけられたタスクレベルのオーバーフィッティングを考慮し,トレーニングタスク生成時の多様性を高めるタスク拡張を提案する。
確立された学習フレームワークにより、トレーニングドメインの深い埋め込みを規則化する新しいメタオブジェクトをさらに活用する。
本手法の有効性を検証するため,病理組織像と腹部CT画像の実験を行った。
関連論文リスト
- DiCoM -- Diverse Concept Modeling towards Enhancing Generalizability in Chest X-Ray Studies [6.83819481805979]
胸部X線(胸部X線、CXR)は、広く用いられている画像モダリティである。
自己指導型プレトレーニングは、多くの下流視覚タスクにおいて教師付きプレトレーニングよりも優れていることが証明されている。
本稿では,新しい自己教師型トレーニングパラダイムであるDiCoMについて紹介する。
論文 参考訳（メタデータ） (2024-02-22T20:51:37Z) - GMISeg: General Medical Image Segmentation without Re-Training [6.6467547151592505]
ディープラーニングモデルは、新しい解剖学的構造、ラベル、形状を含む未知のタスクに一般化し難いことが多い。
ここでは、未知の医用画像分割タスクを、追加の訓練を必要とせずに解決できる汎用モデルを開発した。
本手法は, 画像量や解剖学的構造が異なる医用画像データセットに対して, 提案手法の性能評価を行った。
論文 参考訳（メタデータ） (2023-11-21T11:33:15Z) - 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 for Mammographic Image Analysis with Contrastive
Learning [62.25104935889111]
効果的なディープラーニングモデルのトレーニングには、さまざまなスタイルと品質を備えた大規模なデータが必要である。
より優れたスタイルの一般化能力を備えた深層学習モデルを実現するために,新しいコントラスト学習法が開発された。
提案手法は,様々なベンダスタイルドメインのマンモグラムや,いくつかのパブリックデータセットを用いて,広範囲かつ厳密に評価されている。
論文 参考訳（メタデータ） (2023-04-20T11:40:21Z) - Towards General Purpose Medical AI: Continual Learning Medical
Foundation Model [22.03086588403621]
現実シナリオにおける必然的領域とタスクの相違は、医学データのための事前訓練された深層モデルの一般化性能を損なう可能性がある。
私たちは、下流のドメイン/タスクにシームレスに適応できる汎用医療AIシステムを構築するべきだと大胆に提案します。
論文 参考訳（メタデータ） (2023-03-12T05:27:22Z) - Set-based Meta-Interpolation for Few-Task Meta-Learning [79.4236527774689]
そこで本研究では,メタトレーニングタスクの分散化を目的とした,ドメインに依存しないタスク拡張手法Meta-Interpolationを提案する。
様々な領域にまたがる8つのデータセットに対してメタ補間の有効性を実証的に検証した。
論文 参考訳（メタデータ） (2022-05-20T06:53:03Z) - WEDGE: Web-Image Assisted Domain Generalization for Semantic
Segmentation [72.88657378658549]
本稿では,Web画像の多様性を一般化可能なセマンティックセグメンテーションに活用したWEb画像支援ドメインゲネラライゼーション手法を提案する。
また,ウェブクローラー画像のスタイルをトレーニング中のトレーニング画像に注入する手法を提案する。
論文 参考訳（メタデータ） (2021-09-29T05:19:58Z) - A Systematic Benchmarking Analysis of Transfer Learning for Medical
Image Analysis [7.339428207644444]
我々は,最新の大規模きめ細かいデータセットであるiNat2021で事前訓練されたモデルの転送可能性について,系統的研究を行った。
本稿では,医用画像上のイメージネットモデルを継続的に(事前学習)することにより,自然画像と医用画像の領域ギャップを埋める実践的アプローチを提案する。
論文 参考訳（メタデータ） (2021-08-12T19:08:34Z) - 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) - 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。