Fugu-MT 論文翻訳(概要): Mitigating domain shift in AI-based tuberculosis screening with unsupervised domain adaptation

論文の概要: Mitigating domain shift in AI-based tuberculosis screening with unsupervised domain adaptation

arxiv url: http://arxiv.org/abs/2111.04893v1
Date: Tue, 9 Nov 2021 00:45:52 GMT
ステータス: 処理完了
システム内更新日: 2021-11-10 15:33:28.987122
Title: Mitigating domain shift in AI-based tuberculosis screening with unsupervised domain adaptation
Title（参考訳）: 教師なし領域適応によるAIによる結核スクリーニングにおけるドメインシフトの緩和
Authors: Nishanjan Ravin, Sourajit Saha, Alan Schweitzer, Ameena Elahi, Farouk Dako, Daniel Mollura, David Chapman
Abstract要約: ドメイン不変特徴学習(DIFL)は、ディープラーニング結核スクリーニングアルゴリズムの領域外一般化性を改善することができる。結核スクリーニングを目的としたResNet-50の性能解析を行った。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: We demonstrate that Domain Invariant Feature Learning (DIFL) can improve the out-of-domain generalizability of a deep learning Tuberculosis screening algorithm. It is well known that state of the art deep learning algorithms often have difficulty generalizing to unseen data distributions due to "domain shift". In the context of medical imaging, this could lead to unintended biases such as the inability to generalize from one patient population to another. We analyze the performance of a ResNet-50 classifier for the purposes of Tuberculosis screening using the four most popular public datasets with geographically diverse sources of imagery. We show that without domain adaptation, ResNet-50 has difficulty in generalizing between imaging distributions from a number of public Tuberculosis screening datasets with imagery from geographically distributed regions. However, with the incorporation of DIFL, the out-of-domain performance is greatly enhanced. Analysis criteria includes a comparison of accuracy, sensitivity, specificity and AUC over both the baseline, as well as the DIFL enhanced algorithms. We conclude that DIFL improves generalizability of Tuberculosis screening while maintaining acceptable accuracy over the source domain imagery when applied across a variety of public datasets.
Abstract（参考訳）: ドメイン不変特徴学習(DIFL)は,深層学習型結核スクリーニングアルゴリズムの領域外一般化性を向上させることができることを示す。最先端のディープラーニングアルゴリズムの現状は、しばしば「ドメインシフト」によって見つからないデータ分布に一般化するのが困難であることが知られている。医療画像の文脈では、ある患者から別の患者へと一般化できないなど、意図しないバイアスを引き起こす可能性がある。 ResNet-50分類器の性能を,地理的に多様な画像ソースを持つ4つの最も人気のある公開データセットを用いて,結核検診のために解析した。 resnet-50は,領域適応がなければ,地理的に分布する地域からの画像を含む多数の結核検診データセットからの画像分布の一般化が困難である。しかし、DIFLの導入により、ドメイン外性能が大幅に向上する。分析基準には、精度、感度、特異性、AUCの比較、DIFL拡張アルゴリズムが含まれる。様々な公開データセットに適用した場合,DIFLは,ソース領域画像に対する許容精度を維持しつつ,結核スクリーニングの一般化性を向上する。

関連論文リスト

RaffeSDG: Random Frequency Filtering enabled Single-source Domain Generalization for Medical Image Segmentation [41.50001361938865]
ディープラーニングモデルは、ソースとターゲットデータの間にドメインシフトがある場合、正確な推論を行う際の課題に直面することが多い。単一ソース領域一般化アルゴリズム(RaffeSDG)を提案する。 RaffeSDGは、単一ソースドメインでトレーニングされたセグメンテーションモデルで、堅牢なドメイン外推論を約束する。
論文参考訳（メタデータ） (2024-05-02T12:13:00Z)
DGM-DR: Domain Generalization with Mutual Information Regularized Diabetic Retinopathy Classification [40.35834579068518]
トレーニングとテストデータのドメインシフトは、一般的なディープラーニングモデルをトレーニングする上で大きな課題となる。医用画像領域に事前訓練されたモデルとしてモデル目的関数を再確立するDG法を提案する。提案手法は,従来の最先端技術よりも平均精度5.25%,標準偏差が低い。
論文参考訳（メタデータ） (2023-09-18T11:17:13Z)
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)
When Neural Networks Fail to Generalize? A Model Sensitivity Perspective [82.36758565781153]
ドメイン一般化 (Domain Generalization, DG) は、異なる分布の下で見えないドメインでうまく機能するようにモデルを訓練することを目的としている。本稿では,より現実的で,より困難なシナリオである単一領域一般化(Single-DG)について考察する。我々は「モデル感度」と命名する一般化と強く相関するモデルの性質を経験的に確認する。本稿では、高感度の周波数をターゲットとした拡張画像を生成するために、スペクトル逆データ拡張(SADA)の新たな戦略を提案する。
論文参考訳（メタデータ） (2022-12-01T20:15:15Z)
AADG: Automatic Augmentation for Domain Generalization on Retinal Image Segmentation [1.0452185327816181]
AADG(Automated Augmentation for Domain Generalization)と呼ばれるデータ操作に基づくドメイン一般化手法を提案する。我々のAADGフレームワークは、新しいドメインを生成するデータ拡張ポリシーを効果的にサンプリングすることができる。提案するAADGは,最先端の一般化性能を示し,既存手法より優れている。
論文参考訳（メタデータ） (2022-07-27T02:26:01Z)
Single-domain Generalization in Medical Image Segmentation via Test-time Adaptation from Shape Dictionary [64.5632303184502]
ドメインの一般化は通常、モデル学習のために複数のソースドメインからのデータを必要とする。本稿では,1つのソースドメインのみで最悪のシナリオ下でモデルを学習し,異なる未確認対象ドメインに直接一般化する,重要な単一ドメインの一般化問題について考察する。本稿では,領域間で不変なセグメンテーションのセグメンテーション先情報を抽出し,統合する医用画像セグメンテーションにおいて,この問題に対処する新しいアプローチを提案する。
論文参考訳（メタデータ） (2022-06-29T08:46:27Z)
Contrastive Domain Disentanglement for Generalizable Medical Image Segmentation [12.863227646939563]
本稿では,一般的な医用画像分割のためのコントラストディスタングル・ドメイン(CDD)ネットワークを提案する。まず、医用画像を解剖学的表現因子とモダリティ表現因子に分解する不整合ネットワークを導入する。次に、モデル一般化学習のための新しい領域をランダムに生成できる領域拡張戦略を提案する。
論文参考訳（メタデータ） (2022-05-13T10:32:41Z)
Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
論文参考訳（メタデータ） (2021-05-17T10:11:45Z)
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)
Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。 CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
論文参考訳（メタデータ） (2020-04-22T07:30:56Z)

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。