論文の概要: Unsupervised Cross-domain Pulmonary Nodule Detection without Source Data
- arxiv url: http://arxiv.org/abs/2304.01085v1
- Date: Mon, 3 Apr 2023 15:42:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-04 14:44:29.360375
- Title: Unsupervised Cross-domain Pulmonary Nodule Detection without Source Data
- Title(参考訳): ソースデータのない非教師なし肺結節の検出
- Authors: Rui Xu, Yong Luo, Bo Du
- Abstract要約: クロスドメイン肺結節検出は、ソースとターゲットドメイン間のデータ分布の大きなシフトにより、性能劣化に悩まされる。
肺結節検出のためのソースフリー非教師ありクロスドメイン法(SUP)を提案する。
まず、インスタンスレベルのコントラスト学習を利用して、ソースモデルをターゲットドメインに適応させる。
- 参考スコア(独自算出の注目度): 42.95075015391929
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cross domain pulmonary nodule detection suffers from performance degradation
due to large shift of data distributions between the source and target domain.
Besides, considering the high cost of medical data annotation, it is often
assumed that the target images are unlabeled. Existing approaches have made
much progress for this unsupervised domain adaptation setting. However, this
setting is still rarely plausible in the medical application since the source
medical data are often not accessible due to the privacy concerns. This
motivates us to propose a Source-free Unsupervised cross-domain method for
Pulmonary nodule detection (SUP). It first adapts the source model to the
target domain by utilizing instance-level contrastive learning. Then the
adapted model is trained in a teacher-student interaction manner, and a
weighted entropy loss is incorporated to further improve the accuracy.
Extensive experiments by adapting a pre-trained source model to three popular
pulmonary nodule datasets demonstrate the effectiveness of our method.
- Abstract(参考訳): クロスドメイン肺結節検出は、ソースとターゲットドメイン間のデータ分布の大きなシフトにより、性能劣化に悩まされる。
また、医療データアノテーションのコストが高いことから、対象画像がラベル付けされていないと仮定されることが多い。
既存のアプローチは、この教師なしドメイン適応設定に大きく進歩した。
しかし、プライバシー上の懸念から、ソース医療データがアクセスできないことが多いため、医療アプリケーションでこの設定が有効なことは滅多にない。
そこで本研究では,肺結節検出(SUP)のためのソースフリーな非教師なしクロスドメイン手法を提案する。
まず、インスタンスレベルのコントラスト学習を利用して、ソースモデルをターゲットドメインに適応させる。
そして、適応モデルを教師と学生のインタラクション方法で訓練し、さらに精度を向上させるために重み付きエントロピー損失を組み込む。
トレーニング済みのソースモデルを3つの一般的な肺結節データセットに適用することにより,本手法の有効性を実証した。
関連論文リスト
- Unsupervised Domain Adaptation for Brain Vessel Segmentation through
Transwarp Contrastive Learning [46.248404274124546]
教師なし領域適応(Unsupervised domain adapt, UDA)は、ラベル付きソース分布とラベル付きターゲット分布との整合を目的とし、ドメイン不変な予測モデルを得る。
本稿では,ラベル付きソースと非ラベル付きターゲット分布の領域間ギャップを狭めるための,UDAのための簡易かつ強力なコントラスト学習フレームワークを提案する。
論文 参考訳(メタデータ) (2024-02-23T10:01:22Z) - Robust Source-Free Domain Adaptation for Fundus Image Segmentation [3.585032903685044]
Unlabelled Domain Adaptation (UDA)は、ラベル付きデータから学習した知識を、未ラベルデータのみを使用してターゲットドメインに転送する学習技術である。
本研究では,ロバストドメイン適応のための2段階トレーニングステージを提案する。
本稿では,ラベルのないターゲットデータを有効利用して擬似ラベルと擬似境界を生成する,ロバストな擬似ラベルと擬似境界(PLPB)手法を提案する。
論文 参考訳(メタデータ) (2023-10-25T14:25:18Z) - 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) - Prior-guided Source-free Domain Adaptation for Human Pose Estimation [24.50953879583841]
2次元人間のポーズ推定のためのドメイン適応法は、典型的にはソースデータへの連続的なアクセスを必要とする。
我々は、人気のある平均教師フレームワークを基盤とした擬似ラベル方式である、事前指導型自己学習(POST)を提案する。
論文 参考訳(メタデータ) (2023-08-26T20:30:04Z) - Source-Free Domain Adaptation for Medical Image Segmentation via
Prototype-Anchored Feature Alignment and Contrastive Learning [57.43322536718131]
医用画像セグメンテーションのための2段階のソースフリードメイン適応(SFDA)フレームワークを提案する。
プロトタイプアンコールされた特徴アライメントの段階では,まず,事前学習した画素ワイド分類器の重みを原プロトタイプとして利用する。
そこで,本研究では,目標となる特徴とクラスプロトタイプとの整合性を期待するコストを最小化し,双方向輸送を導入する。
論文 参考訳(メタデータ) (2023-07-19T06:07:12Z) - Adapting the Mean Teacher for keypoint-based lung registration under
geometric domain shifts [75.51482952586773]
ディープニューラルネットワークは一般的に、ラベル付きトレーニングデータが多く必要であり、トレーニングデータとテストデータの間のドメインシフトに弱い。
本稿では,ラベル付きソースからラベル付きターゲットドメインへのモデルの適用により,画像登録のための幾何学的領域適応手法を提案する。
本手法は,ベースラインモデルの精度を目標データに適合させながら,ベースラインモデルの50%/47%を継続的に改善する。
論文 参考訳(メタデータ) (2022-07-01T12:16:42Z) - Source-Free Domain Adaptive Fundus Image Segmentation with Denoised
Pseudo-Labeling [56.98020855107174]
ドメイン適応は通常、ソースドメインデータにアクセスして、ターゲットデータとのドメインアライメントのために配布情報を利用する必要があります。
多くの実世界のシナリオでは、プライバシの問題により、ターゲットドメインのモデル適応中にソースデータがアクセスできない場合がある。
本稿では,本問題に対する新たな擬似ラベル付け手法を提案する。
論文 参考訳(メタデータ) (2021-09-19T06:38:21Z) - Dealing with Distribution Mismatch in Semi-supervised Deep Learning for
Covid-19 Detection Using Chest X-ray Images: A Novel Approach Using Feature
Densities [0.6882042556551609]
半教師付きディープラーニングは、大きなラベル付きデータセットの魅力的な代替手段である。
実世界の使用状況設定では、ラベル付きデータセットとは異なる分布を示す可能性がある。
これにより、ラベル付きデータセットとラベル付きデータセットの分散ミスマッチが発生します。
論文 参考訳(メタデータ) (2021-08-17T00:35:43Z) - Uncertainty-Guided Mixup for Semi-Supervised Domain Adaptation without
Source Data [37.26484185691251]
ソースフリーなドメイン適応は、ソースデータにアクセスせずにドメイン適応を行うことによって問題を解決することを目的としている。
提案する不確実性誘導型Mixupは,表現のドメイン内差を低減し,ソースデータに直接アクセスすることなくドメイン間アライメントを行う。
提案手法は,最近の半教師付きベースラインよりも優れており,教師なし変種は競争性能を達成する。
論文 参考訳(メタデータ) (2021-07-14T13:54:02Z) - Distill and Fine-tune: Effective Adaptation from a Black-box Source
Model [138.12678159620248]
Unsupervised Domain Adapt (UDA) は、既存のラベル付きデータセット (source) の知識を新しいラベル付きデータセット (target) に転送することを目的としています。
Distill and Fine-tune (Dis-tune) という新しい二段階適応フレームワークを提案する。
論文 参考訳(メタデータ) (2021-04-04T05:29:05Z)
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。