論文の概要: DGM-DR: Domain Generalization with Mutual Information Regularized
Diabetic Retinopathy Classification
- arxiv url: http://arxiv.org/abs/2309.09670v1
- Date: Mon, 18 Sep 2023 11:17:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-19 14:04:09.078555
- Title: DGM-DR: Domain Generalization with Mutual Information Regularized
Diabetic Retinopathy Classification
- Title(参考訳): 糖尿病網膜症分類におけるDGM-DRの有用性
- Authors: Aleksandr Matsun, Dana O. Mohamed, Sharon Chokuwa, Muhammad Ridzuan,
and Mohammad Yaqub
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 40.35834579068518
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The domain shift between training and testing data presents a significant
challenge for training generalizable deep learning models. As a consequence,
the performance of models trained with the independent and identically
distributed (i.i.d) assumption deteriorates when deployed in the real world.
This problem is exacerbated in the medical imaging context due to variations in
data acquisition across clinical centers, medical apparatus, and patients.
Domain generalization (DG) aims to address this problem by learning a model
that generalizes well to any unseen target domain. Many domain generalization
techniques were unsuccessful in learning domain-invariant representations due
to the large domain shift. Furthermore, multiple tasks in medical imaging are
not yet extensively studied in existing literature when it comes to DG point of
view. In this paper, we introduce a DG method that re-establishes the model
objective function as a maximization of mutual information with a large
pretrained model to the medical imaging field. We re-visit the problem of DG in
Diabetic Retinopathy (DR) classification to establish a clear benchmark with a
correct model selection strategy and to achieve robust domain-invariant
representation for an improved generalization. Moreover, we conduct extensive
experiments on public datasets to show that our proposed method consistently
outperforms the previous state-of-the-art by a margin of 5.25% in average
accuracy and a lower standard deviation. Source code available at
https://github.com/BioMedIA-MBZUAI/DGM-DR
- Abstract(参考訳): トレーニングデータとテストデータのドメインシフトは、一般化可能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。
その結果、独立かつ同一分散(i.i.d)仮定でトレーニングされたモデルのパフォーマンスは、実世界でデプロイされると低下する。
この問題は、医療センター、医療機器、患者間のデータ取得のばらつきにより、医療画像の文脈において悪化する。
ドメイン一般化 (Domain Generalization, DG) は、目に見えない対象ドメインによく一般化するモデルを学ぶことでこの問題に対処することを目的としている。
多くのドメイン一般化技術は、大きなドメインシフトのため、ドメイン不変表現の学習に失敗した。
また, dgの観点からは, 既存の文献において, 医用画像撮影における複数の課題が十分に研究されていない。
本稿では,大容量事前学習モデルを用いた相互情報の最大化として,モデル対象関数を再確立するDG手法を提案する。
糖尿病網膜症(DR)分類におけるDGの問題を再検討し、正しいモデル選択戦略を持つ明確なベンチマークを確立し、改良された一般化のための堅牢なドメイン不変表現を実現する。
さらに,提案手法が従来手法よりも平均精度が5.25%,標準偏差が低かったことを明らかにするため,公開データセットの広範な実験を行った。
ソースコードはhttps://github.com/BioMedIA-MBzuAI/DGM-DRで入手できる。
関連論文リスト
- Curriculum-Based Augmented Fourier Domain Adaptation for Robust Medical
Image Segmentation [18.830738606514736]
本研究は、堅牢な医用画像分割のためのカリキュラムベースの拡張フーリエドメイン適応(Curri-AFDA)を提案する。
特に、カリキュラム学習戦略は、異なるレベルのデータシフトの下でのモデルの因果関係に基づいている。
複数のサイトやスキャナーから収集した網膜と核の2つのセグメンテーションタスクの実験から,提案手法が優れた適応と一般化性能をもたらすことが示唆された。
論文 参考訳(メタデータ) (2023-06-06T08:56:58Z) - 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) - When Neural Networks Fail to Generalize? A Model Sensitivity Perspective [82.36758565781153]
ドメイン一般化 (Domain Generalization, DG) は、異なる分布の下で見えないドメインでうまく機能するようにモデルを訓練することを目的としている。
本稿では,より現実的で,より困難なシナリオである単一領域一般化(Single-DG)について考察する。
我々は「モデル感度」と命名する一般化と強く相関するモデルの性質を経験的に確認する。
本稿では、高感度の周波数をターゲットとした拡張画像を生成するために、スペクトル逆データ拡張(SADA)の新たな戦略を提案する。
論文 参考訳(メタデータ) (2022-12-01T20:15:15Z) - 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) - 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) - How Reliable Are Out-of-Distribution Generalization Methods for Medical
Image Segmentation? [0.46023882211671957]
我々は,フル教師付きトレーニングとセミ教師付きトレーニングの両方を用いて,MRデータにおける海馬セグメンテーションの問題に対するOoD一般化ソリューションの評価を行った。
V-RExの損失は、チューニングが容易なままでありながら、ほとんどの場合、標準のU-Netよりも優れています。
論文 参考訳(メタデータ) (2021-09-03T10:15:44Z) - Adversarial Sample Enhanced Domain Adaptation: A Case Study on
Predictive Modeling with Electronic Health Records [57.75125067744978]
ドメイン適応を容易にするデータ拡張手法を提案する。
逆生成したサンプルはドメイン適応時に使用される。
その結果,本手法の有効性とタスクの一般性が確認された。
論文 参考訳(メタデータ) (2021-01-13T03:20:20Z) - Domain Generalization for Medical Imaging Classification with
Linear-Dependency Regularization [59.5104563755095]
本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。
医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
論文 参考訳(メタデータ) (2020-09-27T12:30:30Z) - Domain Generalizer: A Few-shot Meta Learning Framework for Domain
Generalization in Medical Imaging [23.414905586808874]
モデルに依存しないメタラーニングフレームワークをベースとした領域一般化手法をバイオメディカルイメージングに適用する。
ドメインに依存しない特徴表現を学習し、未知のテスト分布に対するモデルの一般化を改善する。
本手法は, 画像取得プロトコル, 解剖学, スキャン対象地域, 画像解析対象地域, 画像解析対象地域, 画像解析対象地域, 画像解析対象地域, 画像解析対象地域, 画像診断対象地域, 画像診断対象地域, 画像診断対象地域, 画像診断対象地域, 画像診断対象地域, 画像診断対象地域, 画像診断対象地域, 画像診断対象地域, 画像診断対象地域, 画像診断対象地域, 画像診断対象地域, 画像診断対象地域, 画像診断対象地域, 画像診断対象地域, 画像診断
論文 参考訳(メタデータ) (2020-08-18T03:35:56Z) - 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)
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。