論文の概要: Augmentation based unsupervised domain adaptation
- arxiv url: http://arxiv.org/abs/2202.11486v1
- Date: Wed, 23 Feb 2022 13:06:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-24 14:58:54.569092
- Title: Augmentation based unsupervised domain adaptation
- Title(参考訳): 拡張に基づく教師なしドメイン適応
- Authors: Mauricio Orbes-Arteaga, Thomas Varsavsky, Lauge Sorensen, Mads
Nielsen, Akshay Pai, Sebastien Ourselin, Marc Modat, and M Jorge Cardoso
- Abstract要約: 小さく非表現的なデータに基づいてトレーニングされたディープラーニングモデルは、トレーニングに使用されるものと異なるデータにデプロイされた場合、パフォーマンスが向上する傾向があります。
本手法は, 対向領域適応と整合性トレーニングの特性を利用して, より堅牢な適応を実現する。
- 参考スコア(独自算出の注目度): 2.304713283039168
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The insertion of deep learning in medical image analysis had lead to the
development of state-of-the art strategies in several applications such a
disease classification, as well as abnormality detection and segmentation.
However, even the most advanced methods require a huge and diverse amount of
data to generalize. Because in realistic clinical scenarios, data acquisition
and annotation is expensive, deep learning models trained on small and
unrepresentative data tend to outperform when deployed in data that differs
from the one used for training (e.g data from different scanners). In this
work, we proposed a domain adaptation methodology to alleviate this problem in
segmentation models. Our approach takes advantage of the properties of
adversarial domain adaptation and consistency training to achieve more robust
adaptation. Using two datasets with white matter hyperintensities (WMH)
annotations, we demonstrated that the proposed method improves model
generalization even in corner cases where individual strategies tend to fail.
- Abstract(参考訳): 医用画像解析における深層学習の挿入は、疾患分類や異常検出やセグメンテーションといったいくつかの応用における最先端技術戦略の発展につながった。
しかし、最も先進的な手法でさえ一般化するには膨大な量のデータを必要とする。
現実的な臨床シナリオでは、データ取得とアノテーションは高価であるため、小さなデータと非表現データでトレーニングされたディープラーニングモデルは、トレーニングに使用されるデータ(例えば、異なるスキャナからのデータ)と異なるデータにデプロイされる場合よりも優れています。
本研究では,この問題をセグメント化モデルで緩和する領域適応手法を提案する。
本手法は, 対向領域適応と整合性トレーニングの特性を利用して, より堅牢な適応を実現する。
ホワイトマターハイパーインテンシティ(WMH)アノテーションを持つ2つのデータセットを用いて,個々の戦略が失敗する傾向にあるコーナーケースにおいても,モデル一般化を改善することを示した。
関連論文リスト
- DG-TTA: Out-of-domain medical image segmentation through Domain Generalization and Test-Time Adaptation [43.842694540544194]
本稿では、ドメインの一般化とテスト時間適応を組み合わせることで、未確認対象領域で事前学習したモデルを再利用するための非常に効果的なアプローチを提案する。
本手法は,事前訓練した全身CTモデルと組み合わせることで,MR画像を高精度に分割できることを実証する。
論文 参考訳(メタデータ) (2023-12-11T10:26:21Z) - 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) - Data Augmentation-Based Unsupervised Domain Adaptation In Medical
Imaging [0.709016563801433]
脳MRI領域分割における堅牢な領域適応のための教師なし手法を提案する。
その結果,提案手法は高い精度を実現し,幅広い適用性を示し,各種タスクにおけるドメインシフトに対する顕著な堅牢性を示した。
論文 参考訳(メタデータ) (2023-08-08T17:00:11Z) - Consistency Regularization for Generalizable Source-free Domain
Adaptation [62.654883736925456]
ソースフリードメイン適応(source-free domain adapt, SFDA)は、ソースデータセットにアクセスすることなく、十分にトレーニングされたソースモデルを未学習のターゲットドメインに適応することを目的としている。
既存のSFDAメソッドは、ターゲットのトレーニングセット上で適用されたモデルを評価し、目に見えないが同一の分散テストセットからデータを無視する。
より一般化可能なSFDA法を開発するための整合正則化フレームワークを提案する。
論文 参考訳(メタデータ) (2023-08-03T07:45:53Z) - 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) - 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) - 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) - Selecting the suitable resampling strategy for imbalanced data
classification regarding dataset properties [62.997667081978825]
医学、情報検索、サイバーセキュリティ、ソーシャルメディアなどの多くのアプリケーションドメインでは、分類モデルの導入に使用されるデータセットは、各クラスのインスタンスの不平等な分布を持つことが多い。
この状況は不均衡データ分類と呼ばれ、少数民族の例では予測性能が低い。
オーバーサンプリングとアンダーサンプリングの技術は、各クラスの例の数とバランスをとることでこの問題に対処する、よく知られた戦略である。
論文 参考訳(メタデータ) (2021-12-15T18:56:39Z) - 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) - On the Benefits of Invariance in Neural Networks [56.362579457990094]
データ拡張によるトレーニングは、リスクとその勾配をよりよく見積もることを示し、データ拡張でトレーニングされたモデルに対して、PAC-Bayes一般化を提供する。
また,データ拡張と比べ,平均化は凸損失を伴う場合の一般化誤差を低減し,PAC-Bayes境界を狭めることを示した。
論文 参考訳(メタデータ) (2020-05-01T02:08:58Z)
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。