論文の概要: DomainATM: Domain Adaptation Toolbox for Medical Data Analysis
- arxiv url: http://arxiv.org/abs/2209.11890v1
- Date: Sat, 24 Sep 2022 00:05:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-27 17:27:22.986432
- Title: DomainATM: Domain Adaptation Toolbox for Medical Data Analysis
- Title（参考訳）: DomainATM:医療データ分析のためのドメイン適応ツールボックス
- Authors: Hao Guan and Mingxia Liu
- Abstract要約: ドメイン適応(DA)は、現代の機械学習ベースの医療データ分析において重要な技術である。
DomainATMは、高速なファシリテーションとドメイン適応メソッドのカスタマイズのために設計されたオープンソースパッケージである。
ソフトウェア、ソースコード、マニュアルはオンラインで入手できる。
- 参考スコア（独自算出の注目度）: 21.998782881388102
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Domain adaptation (DA) is an important technique for modern machine
learning-based medical data analysis, which aims at reducing distribution
differences between different medical datasets. A proper domain adaptation
method can significantly enhance the statistical power by pooling data acquired
from multiple sites/centers. To this end, we have developed the Domain
Adaptation Toolbox for Medical data analysis (DomainATM) - an open-source
software package designed for fast facilitation and easy customization of
domain adaptation methods for medical data analysis. The DomainATM is
implemented in MATLAB with a user-friendly graphical interface, and it consists
of a collection of popular data adaptation algorithms that have been
extensively applied to medical image analysis and computer vision. With
DomainATM, researchers are able to facilitate fast feature-level and
image-level adaptation, visualization and performance evaluation of different
adaptation methods for medical data analysis. More importantly, the DomainATM
enables the users to develop and test their own adaptation methods through
scripting, greatly enhancing its utility and extensibility. An overview
characteristic and usage of DomainATM is presented and illustrated with three
example experiments, demonstrating its effectiveness, simplicity, and
flexibility. The software, source code, and manual are available online.
- Abstract（参考訳）: ドメイン適応(da)は、現代の機械学習に基づく医療データ分析において重要な技術であり、異なる医療データセット間の分布差を減らすことを目的としている。
適切なドメイン適応手法は、複数のサイト/センターから取得したデータをプールすることで、統計的パワーを大幅に向上させることができる。
そこで我々は,医療データ分析のためのドメイン適応ツールボックス(DomainATM)を開発した。
DomainATMはMATLABでユーザフレンドリーなグラフィカルインタフェースで実装されており、医用画像解析やコンピュータビジョンに広く応用された一般的なデータ適応アルゴリズムのコレクションで構成されている。
DomainATMにより、研究者は、医療データ分析のための異なる適応方法の高速な特徴レベルおよび画像レベルの適応、可視化および性能評価を促進できる。
さらに重要なのは、DomainATMを使うことで、スクリプティングを通じて独自のアダプティブメソッドの開発とテストが可能になり、その実用性と拡張性を大幅に向上する。
DomainATMの概要と使用法について,その有効性,簡易性,柔軟性を示す3つの実験例を示し,その実例を示した。
ソフトウェア、ソースコード、マニュアルはオンラインで入手できる。
関連論文リスト
- MedFLIP: Medical Vision-and-Language Self-supervised Fast Pre-Training with Masked Autoencoder [26.830574964308962]
本稿では,医療分析のための高速言語画像事前学習手法であるMedFLIPを紹介する。
交差ドメインを用いたゼロショット学習のためのMAEを探索し、限られたデータから学習するモデルの能力を向上する。
最後に,医療画像解析におけるゼロショット性能の向上を言語を用いて検証する。
論文 参考訳（メタデータ） (2024-03-07T16:11:43Z) - Subject-Based Domain Adaptation for Facial Expression Recognition [51.10374151948157]
ディープラーニングモデルを特定の対象個人に適用することは、難しい表情認識タスクである。
本稿では、FERにおける主観的ドメイン適応のための新しいMSDA手法を提案する。
複数の情報源からの情報を効率的に利用して、ディープFERモデルを単一のターゲット個人に適応させる。
論文 参考訳（メタデータ） (2023-12-09T18:40:37Z) - 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) - Domain Adaptation Principal Component Analysis: base linear method for
learning with out-of-distribution data [55.41644538483948]
ドメイン適応は現代の機械学習において一般的なパラダイムである。
ドメイン適応主成分分析(DAPCA)という手法を提案する。
DAPCAは、領域適応タスクの解決に有用な線形化データ表現を見つける。
論文 参考訳（メタデータ） (2022-08-28T21:10:56Z) - Domain Adaptation via CycleGAN for Retina Segmentation in Optical
Coherence Tomography [0.09490124006642771]
光コヒーレンス・トモグラフィ(OCT)ボリュームの領域適応のためのCycleGAN(Cycle-Consistent Generative Adrative Networks)の実装について検討した。
この研究は、サイモンフレーザー大学のバイオメディカル光学研究グループと機能・解剖学的イメージング・形状解析研究所と共同で行われた。
論文 参考訳（メタデータ） (2021-07-06T02:07:53Z) - Domain Adaptation for Medical Image Analysis: A Survey [28.365579324731247]
医用画像解析で使用される機械学習技術は通常、ソース/参照データとターゲットデータの間の異なる分布に起因するドメインシフト問題に悩まされる。
有望なソリューションとして、ドメイン適応は近年大きな注目を集めています。
この調査により、研究者は現在の状況や課題をよりよく理解できるようになる。
論文 参考訳（メタデータ） (2021-02-18T17:49:08Z) - Domain Shift in Computer Vision models for MRI data analysis: An
Overview [64.69150970967524]
機械学習とコンピュータビジョン手法は、医用画像解析において優れた性能を示している。
しかし、現在臨床応用はごくわずかである。
異なるソースや取得ドメインのデータへのモデルの不適切な転送性は、その理由の1つです。
論文 参考訳（メタデータ） (2020-10-14T16:34:21Z) - Adaptive Risk Minimization: Learning to Adapt to Domain Shift [109.87561509436016]
ほとんどの機械学習アルゴリズムの基本的な前提は、トレーニングとテストデータは、同じ基礎となる分布から引き出されることである。
本研究では,学習データをドメインに構造化し,複数のテスト時間シフトが存在する場合の領域一般化の問題点について考察する。
本稿では、適応リスク最小化(ARM)の枠組みを紹介し、モデルがトレーニング領域に適応することを学ぶことで、効果的な適応のために直接最適化される。
論文 参考訳（メタデータ） (2020-07-06T17:59:30Z) - Supervised Domain Adaptation: A Graph Embedding Perspective and a
Rectified Experimental Protocol [87.76993857713217]
本稿では、ソースとターゲットのドメインデータ間のペアワイズ関係を用いたドメイン適応法をグラフ埋め込みとして定式化できることを示す。
具体的には、既存の3つのSupervised Domain Adaptationメソッドの損失関数を分析し、グラフ埋め込みを行うことを示す。
論文 参考訳（メタデータ） (2020-04-23T15:46:20Z) - Supervised Domain Adaptation using Graph Embedding [86.3361797111839]
領域適応法は、2つの領域間の分布がシフトし、それを認識しようとすると仮定する。
グラフ埋め込みに基づく汎用フレームワークを提案する。
提案手法が強力なドメイン適応フレームワークにつながることを示す。
論文 参考訳（メタデータ） (2020-03-09T12:25:13Z)
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。