Fugu-MT 論文翻訳(概要): Learn to Ignore: Domain Adaptation for Multi-Site MRI Analysis

論文の概要: Learn to Ignore: Domain Adaptation for Multi-Site MRI Analysis

arxiv url: http://arxiv.org/abs/2110.06803v1
Date: Wed, 13 Oct 2021 15:40:50 GMT
ステータス: 処理完了
システム内更新日: 2021-10-14 14:54:06.970282
Title: Learn to Ignore: Domain Adaptation for Multi-Site MRI Analysis
Title（参考訳）: Ignoreに学ぶ:マルチサイトMRI解析のためのドメイン適応
Authors: Julia Wolleb, Robin Sandk\"uhler, Muhamed Barakovic, Athina Papadopoulou, Nouchine Hadjikhani, \"Ozg\"ur Yaldizli, Jens Kuhle, Cristina Granziera, Philippe C. Cattin
Abstract要約: 本稿では,画像に含まれるスキャナ関連の特徴を無視し,分類タスクに関連する特徴を学習する新しい手法を提案する。本手法は,多発性硬化症患者と健常者との分類作業において,最先端の領域適応法よりも優れていた。
参考スコア（独自算出の注目度）: 1.3079444139643956
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Limited availability of large image datasets is a major issue in the development of accurate and generalizable machine learning methods in medicine. The limitations in the amount of data are mainly due to the use of different acquisition protocols, different hardware, and data privacy. At the same time, training a classification model on a small dataset leads to a poor generalization quality of the model. To overcome this issue, a combination of various image datasets of different provenance is often used, e.g., multi-site studies. However, if an additional dataset does not include all classes of the task, the learning of the classification model can be biased to the device or place of acquisition. This is especially the case for Magnetic Resonance (MR) images, where different MR scanners introduce a bias that limits the performance of the model. In this paper, we present a novel method that learns to ignore the scanner-related features present in the images, while learning features relevant for the classification task. We focus on a real-world scenario, where only a small dataset provides images of all classes. We exploit this circumstance by introducing specific additional constraints on the latent space, which lead the focus on disease-related rather than scanner-specific features. Our method Learn to Ignore outperforms state-of-the-art domain adaptation methods on a multi-site MRI dataset on a classification task between Multiple Sclerosis patients and healthy subjects.
Abstract（参考訳）: 医学における正確で一般化可能な機械学習手法の開発において、大規模な画像データセットの限られた可用性が大きな問題である。データ量の制限は、主に異なる取得プロトコル、異なるハードウェア、データプライバシの使用によるものである。同時に、小さなデータセットで分類モデルをトレーニングすると、モデルの一般化品質が低下する。この問題を克服するために、様々な特徴を持つ様々な画像データセットの組み合わせが頻繁に使用される。しかし、追加のデータセットがタスクのすべてのクラスを含んでいない場合、分類モデルの学習は、デバイスまたは取得場所に対してバイアスを負うことができる。これは特に磁気共鳴(mr)画像の場合であり、異なるmrスキャナーがモデルの性能を制限するバイアスをもたらす。本稿では,画像に含まれるスキャナ関連特徴を無視し,分類課題に関連する特徴を学習する新しい手法を提案する。私たちは、小さなデータセットだけがすべてのクラスのイメージを提供する現実のシナリオに焦点を当てています。我々は,この状況を利用して潜在空間に具体的な制約を導入することで,スキャナ特有の機能ではなく疾患関連に焦点をあてる。本手法は,多発性硬化症患者と健常者との分類作業において,多地点MRIデータセットにおける最先端領域適応法より優れる。

関連論文リスト

Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
論文参考訳（メタデータ） (2024-03-19T09:28:19Z)
CMRxRecon: An open cardiac MRI dataset for the competition of accelerated image reconstruction [62.61209705638161]
ディープラーニングベースのCMRイメージングアルゴリズムへの関心が高まっている。ディープラーニング手法は大規模なトレーニングデータセットを必要とする。このデータセットには300人の被験者のマルチコントラスト、マルチビュー、マルチスライス、マルチコイルCMRイメージングデータが含まれている。
論文参考訳（メタデータ） (2023-09-19T15:14:42Z)
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)
Generalized Multi-Task Learning from Substantially Unlabeled Multi-Source Medical Image Data [11.061381376559053]
MultiMixは、病気の分類と解剖学的セグメンテーションを半教師付きで共同で学習する、新しいマルチタスク学習モデルである。トレーニングセットにおける多ソースラベル付きデータの多量化実験により,MultiMixの有効性が確認された。
論文参考訳（メタデータ） (2021-10-25T18:09:19Z)
Active Selection of Classification Features [0.0]
人口統計などの補助的データは、最も有益なMRIスキャンを持つ個人を含む小さなサンプルを選択するのに役立ちます。本研究では,2つの実用的手法を提案し,その性能を3つの実世界のベンチマークデータセットで評価する。
論文参考訳（メタデータ） (2021-02-26T18:19:08Z)
Modeling the Probabilistic Distribution of Unlabeled Data forOne-shot Medical Image Segmentation [40.41161371507547]
我々は1ショットの脳磁気共鳴画像(MRI)画像分割のためのデータ拡張法を開発した。提案手法は,MRI画像1枚(atlas)とラベルなし画像数枚のみを利用する。本手法は最先端のワンショット医療セグメンテーション法より優れている。
論文参考訳（メタデータ） (2021-02-03T12:28:04Z)
Medical Image Harmonization Using Deep Learning Based Canonical Mapping: Toward Robust and Generalizable Learning in Imaging [4.396671464565882]
多様な取得条件のデータを共通参照領域に"調和"する新しいパラダイムを提案する。我々は,MRIによる脳年齢予測と統合失調症の分類という,2つの問題に対して本手法を検証した。
論文参考訳（メタデータ） (2020-10-11T22:01:37Z)
Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文参考訳（メタデータ） (2020-09-02T02:50:30Z)
Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
論文参考訳（メタデータ） (2020-07-21T14:37:00Z)
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)
Improving Calibration and Out-of-Distribution Detection in Medical Image Segmentation with Convolutional Neural Networks [8.219843232619551]
畳み込みニューラルネットワーク(CNN)は強力な医用画像分割モデルであることが示されている。マルチタスク学習、すなわち、複数の異なるデータセット上で単一のモデルをトレーニングすることを提唱する。一つのCNNが、文脈を自動的に認識し、各文脈における関心の組織を正確に区分することを学ぶだけでなく、そのようなジョイントモデルの方が、より正確でより良い校正された予測を持つことも示している。
論文参考訳（メタデータ） (2020-04-12T23:42:51Z)

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。