論文の概要: Adaptive Domain Generalization for Digital Pathology Images

• arxiv url: http://arxiv.org/abs/2305.05100v1
• Date: Tue, 9 May 2023 00:11:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-10 14:13:12.607413
• Title: Adaptive Domain Generalization for Digital Pathology Images
• Title（参考訳）: デジタル病理画像の適応領域一般化
• Authors: Andrew Walker
• Abstract要約: AIに基づく病理学では、ドメインシフトは一般的でよく研究されている。 予測を事前に必要とせず,ドメインシフトに反応する手法を導入する。 テスト時間におけるモデルパラメータを適応させる領域一般化手法であるテスト時間トレーニングについて検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In AI-based histopathology, domain shifts are common and well-studied. However, this research focuses on stain and scanner variations, which do not show the full picture -- shifts may be combinations of other shifts, or "invisible" shifts that are not obvious but still damage performance of machine learning models. Furthermore, it is important for models to generalize to these shifts without expensive or scarce annotations, especially in the histopathology space and if wanting to deploy models on a larger scale. Thus, there is a need for "reactive" domain generalization techniques: ones that adapt to domain shifts at test-time rather than requiring predictions of or examples of the shifts at training time. We conduct a literature review and introduce techniques that react to domain shifts rather than requiring a prediction of them in advance. We investigate test time training, a technique for domain generalization that adapts model parameters at test-time through optimization of a secondary self-supervised task.
• Abstract（参考訳）: AIに基づく病理学では、ドメインシフトは一般的でよく研究されている。 しかし、この研究はステンドとスキャナのバリエーションに焦点を当てており、これは全体像を示さない -- シフトは他のシフトの組み合わせかもしれないし、機械学習モデルの明らかではないが、それでも損傷のある"見えない"シフトかもしれない。 さらに、特に病理学の分野や大規模にモデルをデプロイしたい場合には、高価なアノテーションや不足したアノテーションなしで、これらのシフトに一般化することが重要である。 したがって、"反応性"なドメイン一般化技術は、トレーニング時にシフトの予測や例を必要とするのではなく、テスト時にドメインシフトに適応するものである。 文献レビューを実施し,事前の予測を必要とせず,ドメインシフトに反応する手法を紹介する。 本稿では,2次自己教師型タスクの最適化を通じて,テスト時のモデルパラメータを適応させるドメイン一般化手法であるテスト時間トレーニングについて検討する。

関連論文リスト

• Generalize or Detect? Towards Robust Semantic Segmentation Under Multiple Distribution Shifts [56.57141696245328]
  斬新なクラスとドメインの両方が存在するようなオープンワールドシナリオでは、理想的なセグメンテーションモデルは安全のために異常なクラスを検出する必要がある。 既存の方法はドメインレベルとセマンティックレベルの分散シフトを区別するのに苦労することが多い。
  論文  参考訳（メタデータ） (2024-11-06T11:03:02Z)
• Disentangling Masked Autoencoders for Unsupervised Domain Generalization [57.56744870106124]
  教師なしの領域一般化は急速に注目されているが、まだ十分に研究されていない。 Disentangled Masked Auto (DisMAE) は、本質的な特徴を忠実に示す不整合表現を発見することを目的としている。 DisMAEは、セマンティックで軽量な変分エンコーダを備えた非対称なデュアルブランチアーキテクチャを共同で訓練する。
  論文  参考訳（メタデータ） (2024-07-10T11:11:36Z)
• A Systematic Review of Generalization Research in Medical Image Classification [36.29204574056283]
  本稿では,Deep Learning(DL)に基づく分類モデルのための既存の領域一般化手法について検討する。 それは彼らが解決しようとしているシフトタイプに基づいた分類法を提案する。 本研究の結果から,両タイプの学習手法が出現していることが示唆された。
  論文  参考訳（メタデータ） (2024-03-18T18:35:32Z)
• Domain adaptation using optimal transport for invariant learning using histopathology datasets [13.133231212085988]
  病理組織学は癌を含む多くの疾患の診断に重要である。 計算技術はバッチ効果によって制限され、準備プロトコルやスキャナの違いのような技術的な要素がスライドの外観を変える。 そこで本研究では,未確認施設のデータに対する組織モデルの一般化を改善するための領域適応手法を提案する。
  論文  参考訳（メタデータ） (2023-03-03T22:19:19Z)
• 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)
• Improving Diversity with Adversarially Learned Transformations for Domain Generalization [81.26960899663601]
  本稿では、ニューラルネットワークを用いた逆学習変換(ALT)を用いて、可塑性かつハードな画像変換をモデル化する新しいフレームワークを提案する。 我々は、ALTが既存の多様性モジュールと自然に連携して、ソースドメインの大規模変換によって最先端のパフォーマンスを実現することを示す。
  論文  参考訳（メタデータ） (2022-06-15T18:05:24Z)
• Augmentation based unsupervised domain adaptation [2.304713283039168]
  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。
  論文  参考訳（メタデータ） (2022-02-23T13:06:07Z)
• 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)
• 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)
• Adversarial-Prediction Guided Multi-task Adaptation for Semantic Segmentation of Electron Microscopy Images [5.027571997864707]
  本稿では,ラベルのない新規なターゲットドメイン上で使用するための,よく訓練されたモデルの適応を学習するために,逆予測誘導マルチタスクネットワークを導入する。 対象ドメインにラベルが存在しないため、ソースドメイン上の教師付きセグメンテーションだけでなく、対象データの教師なし再構築のための符号化表現も学習する。
  論文  参考訳（メタデータ） (2020-04-05T09:18:11Z)

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。