論文の概要: Domain Generalization by Learning from Privileged Medical Imaging Information

• arxiv url: http://arxiv.org/abs/2311.05861v1
• Date: Fri, 10 Nov 2023 04:09:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-13 15:54:16.871473
• Title: Domain Generalization by Learning from Privileged Medical Imaging Information
• Title（参考訳）: 原始的医用画像情報から学ぶドメインの一般化
• Authors: Steven Korevaar, Ruwan Tennakoon, Ricky O'Brien, Dwarikanath Mahapatra, Alireza Bab-Hadiasha
• Abstract要約: 腫瘍の形状や位置などの特権情報を利用することで,現在の最先端技術よりも強力な領域一般化能力が得られることを示す。 本稿では,一般化を必要とする他の医療問題において,特権情報を使用するための強力な出発点を提供する。
• 参考スコア（独自算出の注目度）: 11.838548716479158
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning the ability to generalize knowledge between similar contexts is particularly important in medical imaging as data distributions can shift substantially from one hospital to another, or even from one machine to another. To strengthen generalization, most state-of-the-art techniques inject knowledge of the data distribution shifts by enforcing constraints on learned features or regularizing parameters. We offer an alternative approach: Learning from Privileged Medical Imaging Information (LPMII). We show that using some privileged information such as tumor shape or location leads to stronger domain generalization ability than current state-of-the-art techniques. This paper demonstrates that by using privileged information to predict the severity of intra-layer retinal fluid in optical coherence tomography scans, the classification accuracy of a deep learning model operating on out-of-distribution data improves from $0.911$ to $0.934$. This paper provides a strong starting point for using privileged information in other medical problems requiring generalization.
• Abstract（参考訳）: 類似のコンテキスト間で知識を一般化する能力を学ぶことは、医療画像において特に重要である。 一般化を強化するため、ほとんどの最先端技術は、学習した特徴に制約を課したり、パラメータを正規化することで、データ分散の知識を注入する。 我々は、特権的医用画像情報(lpmii)からの学習という別のアプローチを提案する。 腫瘍の形状や位置などの特権情報を利用することで,現在の最先端技術よりもドメイン一般化能力が向上することを示す。 本稿では,光コヒーレンストモグラフィースキャンにおける層内網膜液の重症度予測に特権情報を用いることで,分布外データを用いたディープラーニングモデルの分類精度が0.911$から0.934$に向上することを示した。 本稿では,一般化を必要とする他の医療問題において,特権情報を使用するための強力な出発点を提供する。

関連論文リスト

• A Textbook Remedy for Domain Shifts: Knowledge Priors for Medical Image Analysis [48.84443450990355]
  ディープネットワークは、医学的なスキャンに適用すると、例外のない状況で失敗することが多いため、自然画像の解析において広く成功している。 胸部X線や皮膚病変画像の文脈において、異なる病院から採取したデータや、性別、人種などの人口統計学的変数によって構築されたデータなど、ドメインシフトに対するモデル感度に焦点をあてる。 医学教育からインスピレーションを得て,自然言語で伝達される明示的な医学知識を基盤としたディープネットワークを提案する。
  論文  参考訳（メタデータ） (2024-05-23T17:55:02Z)
• MLIP: Enhancing Medical Visual Representation with Divergence Encoder and Knowledge-guided Contrastive Learning [48.97640824497327]
  本稿では、画像テキストのコントラスト学習を通じて、言語情報を視覚領域に統合するための案内信号として、ドメイン固有の医療知識を活用する新しいフレームワークを提案する。 我々のモデルには、設計した分散エンコーダによるグローバルコントラスト学習、局所トークン・知識・パッチアライメントコントラスト学習、知識誘導型カテゴリレベルのコントラスト学習、エキスパートナレッジによるコントラスト学習が含まれる。 特に、MLIPは、限られた注釈付きデータであっても最先端の手法を超越し、医療表現学習の進歩におけるマルチモーダル事前学習の可能性を強調している。
  論文  参考訳（メタデータ） (2024-02-03T05:48:50Z)
• More From Less: Self-Supervised Knowledge Distillation for Routine Histopathology Data [3.93181912653522]
  本研究では,情報深度データから情報疎度データのみを必要とするモデルへの学習中に知識を消耗させることが可能であることを示す。 これにより、情報スパースデータの下流分類精度が向上し、完全に教師されたベースラインに匹敵する。 このアプローチは、日常的な画像のみを必要とするモデルの設計を可能にするが、最先端のデータからの洞察を含んでおり、利用可能なリソースをより活用することができる。
  論文  参考訳（メタデータ） (2023-03-19T13:41:59Z)
• From Labels to Priors in Capsule Endoscopy: A Prior Guided Approach for Improving Generalization with Few Labels [4.9136996406481135]
  我々は、より堅牢で一般化可能な表現を学習するために、より自由なドメイン知識を事前として使用することを提案する。 ラベルの代理として振る舞うことによって、ドメインの優先順位が表現の恩恵を受けることを実験的に示す。 我々の手法はドメインの最先端技術よりも優れている(もしくはギャップを埋める)。
  論文  参考訳（メタデータ） (2022-06-10T12:35:49Z)
• Evaluation of Complexity Measures for Deep Learning Generalization in Medical Image Analysis [77.34726150561087]
  PAC-ベイズ平坦度とパスノルムに基づく測度は、モデルとデータの組み合わせについて最も一貫した説明をもたらす。 また,乳房画像に対するマルチタスク分類とセグメンテーションのアプローチについても検討した。
  論文  参考訳（メタデータ） (2021-03-04T20:58:22Z)
• Cross-Modal Information Maximization for Medical Imaging: CMIM [62.28852442561818]
  病院では、同じ情報を異なるモダリティの下で利用できるようにする特定の情報システムにデータがサイロ化される。 これは、テスト時に常に利用できないかもしれない同じ情報の複数のビューを列車で取得し、使用するためのユニークな機会を提供する。 テスト時にモダリティの低下に耐性を持つマルチモーダル入力の優れた表現を学習することで、利用可能なデータを最大限活用する革新的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-20T20:05:35Z)
• Medical Image Harmonization Using Deep Learning Based Canonical Mapping: Toward Robust and Generalizable Learning in Imaging [4.396671464565882]
  多様な取得条件のデータを共通参照領域に"調和"する新しいパラダイムを提案する。 我々は,MRIによる脳年齢予測と統合失調症の分類という,2つの問題に対して本手法を検証した。
  論文  参考訳（メタデータ） (2020-10-11T22:01:37Z)
• 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)
• Learning Invariant Feature Representation to Improve Generalization across Chest X-ray Datasets [55.06983249986729]
  我々は、トレーニングデータと同じデータセットでテストすると、ディープラーニングモデルが、異なるソースからデータセットでテストされると、パフォーマンスが低下し始めることを示す。 対戦型トレーニング戦略を用いることで、ネットワークはソース不変表現を学習せざるを得ないことを示す。
  論文  参考訳（メタデータ） (2020-08-04T07:41:15Z)

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。