論文の概要: Domain Adaptation and Generalization on Functional Medical Images: A
Systematic Survey
- arxiv url: http://arxiv.org/abs/2212.03176v1
- Date: Sun, 4 Dec 2022 21:52:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-07 16:24:11.603368
- Title: Domain Adaptation and Generalization on Functional Medical Images: A
Systematic Survey
- Title（参考訳）: 機能的医用画像の領域適応と一般化:システム的調査
- Authors: Gita Sarafraz, Armin Behnamnia, Mehran Hosseinzadeh, Ali Balapour,
Amin Meghrazi, and Hamid R. Rabiee
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 2.990508892017587
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning algorithms have revolutionized different fields, including
natural language processing, computer vision, signal processing, and medical
data processing. Despite the excellent capabilities of machine learning
algorithms in various tasks and areas, the performance of these models mainly
deteriorates when there is a shift in the test and training data distributions.
This gap occurs due to the violation of the fundamental assumption that the
training and test data are independent and identically distributed (i.i.d). In
real-world scenarios where collecting data from all possible domains for
training is costly and even impossible, the i.i.d assumption can hardly be
satisfied. The problem is even more severe in the case of medical images and
signals because it requires either expensive equipment or a meticulous
experimentation setup to collect data, even for a single domain. Additionally,
the decrease in performance may have severe consequences in the analysis of
medical records. As a result of such problems, the ability to generalize and
adapt under distribution shifts (domain generalization (DG) and domain
adaptation (DA)) is essential for the analysis of medical data. This paper
provides the first systematic review of DG and DA on functional brain signals
to fill the gap of the absence of a comprehensive study in this era. We provide
detailed explanations and categorizations of datasets, approaches, and
architectures used in DG and DA on functional brain images. We further address
the attention-worthy future tracks in this field.
- Abstract（参考訳）: 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。
さまざまなタスクや領域における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、テストやトレーニングデータ分布の変化によって主に低下する。
このギャップは、トレーニングデータとテストデータが独立して均等に分散されているという基本的な仮定に違反しているためである。
トレーニングのためにすべての可能なドメインからデータを集めることが高価で不可能である現実のシナリオでは、i.i.dの仮定はほとんど満足できない。
医療画像や信号の場合には、高価な機器か、単一のドメインであってもデータの収集に精巧な実験装置が必要になるため、この問題はさらに深刻である。
さらに、パフォーマンスの低下は、医療記録の分析に深刻な影響を与える可能性がある。
このような問題の結果として、医療データの分析には、分散シフト(ドメイン一般化(DG)とドメイン適応(DA))の下で一般化および適応する能力が不可欠である。
本稿では,機能的脳信号に関するDGとDAの体系的レビューを行い,この時代の包括的研究の欠如のギャップを埋める。
機能的脳画像におけるDGおよびDAで使用されるデータセット、アプローチ、アーキテクチャの詳細な説明と分類について述べる。
さらに、この分野における注目に値する将来のトラックに対処する。
関連論文リスト
- A Survey on Domain Generalization for Medical Image Analysis [9.410880477358942]
MedIAのドメイン一般化は、未知のデータ分散を効果的に一般化し、堅牢に実行することで、ドメインシフトの課題に対処することを目的としている。
医療分野におけるドメインシフトとドメイン一般化の正式な定義を提供し、関連するいくつかの設定について議論する。
データ操作レベル,特徴表現レベル,モデルトレーニングレベルという3つの視点から,最近の手法を要約し,いくつかのアルゴリズムを詳細に提示する。
論文 参考訳（メタデータ） (2024-02-07T17:08:27Z) - Generalization in medical AI: a perspective on developing scalable
models [3.003979691986621]
多くの名高いジャーナルは、ローカルに隠されたテストセットと外部データセットの両方でレポート結果を要求するようになった。
これは、病院文化全体で意図された用途や特異性で発生する変動性によるものである。
医用AIアルゴリズムの一般化レベルを反映した階層型3段階尺度システムを構築した。
論文 参考訳（メタデータ） (2023-11-09T14:54:28Z) - ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic
Diffusion Models [69.9178140563928]
大腸内視鏡検査は臨床診断や治療に不可欠である。
注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。
本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
論文 参考訳（メタデータ） (2023-09-03T07:55:46Z) - 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) - 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) - Embracing the Disharmony in Heterogeneous Medical Data [12.739380441313022]
医療画像データの不均一性は、しばしば機械学習の文脈でドメイン不変性を用いて取り組まれる。
本論文は異種性を受け入れ,マルチタスク学習問題として扱う。
提案手法は,主分類タスクにおけるデータセット間の分類精度を5～30%向上することを示す。
論文 参考訳（メタデータ） (2021-03-23T21:36:39Z) - Domain Generalization: A Survey [146.68420112164577]
ドメイン一般化(DG)は、モデル学習にソースドメインデータを使用するだけでOOD一般化を実現することを目的としています。
初めて、DGの10年の開発をまとめるために包括的な文献レビューが提供されます。
論文 参考訳（メタデータ） (2021-03-03T16:12:22Z) - Robust White Matter Hyperintensity Segmentation on Unseen Domain [5.490618192331097]
テスト分布に関する知識のないモデルをトレーニングするドメイン一般化(DG)の難問について考察する。
ホワイトマターハイパーインテンシティ(WMH)予測のタスクには,マルチサイトWMHチャレンジデータセットと当社のローカル社内データセットを用いて焦点を当てる。
機械的に異なる2つのDGアプローチ、すなわちドメイン対比学習とミックスアップが理論的相乗効果を持つかを特定する。
論文 参考訳（メタデータ） (2021-02-12T17:44:11Z) - 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 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)
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。