論文の概要: Prompt-driven Latent Domain Generalization for Medical Image Classification

• arxiv url: http://arxiv.org/abs/2401.03002v1
• Date: Fri, 5 Jan 2024 05:24:07 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-09 20:59:31.969403
• Title: Prompt-driven Latent Domain Generalization for Medical Image Classification
• Title（参考訳）: 医用画像分類のためのプロンプト駆動潜在ドメイン一般化
• Authors: Siyuan Yan, Chi Liu, Zhen Yu, Lie Ju, Dwarikanath Mahapatra, Brigid Betz-Stablein, Victoria Mar, Monika Janda, Peter Soyer, and Zongyuan Ge
• Abstract要約: ドメインラベルに依存しない医用画像分類のための新しい枠組みを提案する。 PLDGは教師なしのドメイン発見と迅速な学習で構成されている。 提案手法は従来のDGアルゴリズムと同等あるいはそれ以上の性能を達成できる。
• 参考スコア（独自算出の注目度）: 23.914889221925552
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning models for medical image analysis easily suffer from distribution shifts caused by dataset artifacts bias, camera variations, differences in the imaging station, etc., leading to unreliable diagnoses in real-world clinical settings. Domain generalization (DG) methods, which aim to train models on multiple domains to perform well on unseen domains, offer a promising direction to solve the problem. However, existing DG methods assume domain labels of each image are available and accurate, which is typically feasible for only a limited number of medical datasets. To address these challenges, we propose a novel DG framework for medical image classification without relying on domain labels, called Prompt-driven Latent Domain Generalization (PLDG). PLDG consists of unsupervised domain discovery and prompt learning. This framework first discovers pseudo domain labels by clustering the bias-associated style features, then leverages collaborative domain prompts to guide a Vision Transformer to learn knowledge from discovered diverse domains. To facilitate cross-domain knowledge learning between different prompts, we introduce a domain prompt generator that enables knowledge sharing between domain prompts and a shared prompt. A domain mixup strategy is additionally employed for more flexible decision margins and mitigates the risk of incorrect domain assignments. Extensive experiments on three medical image classification tasks and one debiasing task demonstrate that our method can achieve comparable or even superior performance than conventional DG algorithms without relying on domain labels. Our code will be publicly available upon the paper is accepted.
• Abstract（参考訳）: 医用画像解析のためのディープラーニングモデルは、データセットアーティファクトのバイアス、カメラのバリエーション、イメージングステーションの違いなどによる分布シフトに容易に悩まされ、現実の臨床環境では信頼性の低い診断につながる。 ドメイン一般化(Domain Generalization, DG)は、複数のドメイン上のモデルをトレーニングして、見えないドメインでうまく動作させることを目的とした手法である。 しかし、既存のdgメソッドでは、各画像のドメインラベルが利用可能で正確であると仮定しており、通常は限られた数の医療データセットでしか利用できない。 これらの課題に対処するため,Pmpt-driven Latent Domain Generalization (PLDG) と呼ばれるドメインラベルに依存しない新しい医用画像分類フレームワークを提案する。 PLDGは教師なしのドメイン発見と迅速な学習からなる。 このフレームワークはまず、バイアスに関連するスタイル機能をクラスタリングして擬似ドメインラベルを発見し、その後、協調ドメインプロンプトを利用して視覚トランスフォーマーをガイドし、検出された多様なドメインから知識を学習する。 異なるプロンプト間のドメイン間知識学習を容易にするために,ドメインプロンプトと共有プロンプト間の知識共有を可能にするドメインプロンプト生成手法を提案する。 ドメイン混在戦略は、より柔軟な決定マージンのためにも適用され、誤ったドメイン割り当てのリスクを軽減する。 3つの医用画像分類タスクと1つのデバイアス処理タスクに関する大規模な実験により、ドメインラベルを頼らずに従来のDGアルゴリズムと同等あるいはそれ以上の性能を達成できることが実証された。 論文が受け入れられ次第、私たちのコードは公開される予定だ。

関連論文リスト

• Domain Generalization for Domain-Linked Classes [8.738092015092207]
  実世界では、クラスはドメインリンクされ、すなわち特定のドメインでのみ表現される。 本稿では,ドメインリンクDG,FONDのためのFair and cONtrastive feature-space regularizationアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-01T16:39:50Z)
• Multi-Scale Multi-Target Domain Adaptation for Angle Closure Classification [50.658613573816254]
  角度閉包分類のためのM2DAN(Multi-scale Multi-target Domain Adversarial Network)を提案する。 異なるスケールでのこれらのドメイン不変性に基づいて、ソースドメインで訓練されたディープモデルは、複数のターゲットドメインの角度クロージャを分類することができる。
  論文  参考訳（メタデータ） (2022-08-25T15:27:55Z)
• 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)
• Adversarial Consistency for Single Domain Generalization in Medical Image Segmentation [35.84892917309007]
  臓器セグメンテーションのためのドメイン一般化(DG)法は、訓練中に複数のドメインからのトレーニングデータを必要とする。 そこで本研究では,エンフィングル領域のデータに基づいて訓練された臓器分割のための新しい対向領域一般化手法を提案する。 本手法は, 未知のモダリティ, 走査プロトコル, スキャナーサイトに対して, 様々な臓器のセグメンテーションについて検討した。
  論文  参考訳（メタデータ） (2022-06-28T03:47:57Z)
• Unsupervised Domain Generalization by Learning a Bridge Across Domains [78.855606355957]
  Unsupervised Domain Generalization (UDG) のセットアップでは、ソースもターゲットドメインもトレーニングの監督は行わない。 本手法は,各トレーニング領域からBrADへの視覚的(イメージ間)マッピングを保存したセマンティクスのセットを伴って,補助的なブリッジドメインであるBrAD(Bridge Across Domains)の自己教師型学習に基づいている。 我々は,エッジレギュラー化したBrADを用いて,UDG,Few-shot UDA,マルチドメインデータセット間の教師なし一般化など,複数のベンチマークやタスクにまたがる大幅な向上を実現する方法を示す。
  論文  参考訳（メタデータ） (2021-12-04T10:25:45Z)
• Self-Rule to Adapt: Generalized Multi-source Feature Learning Using Unsupervised Domain Adaptation for Colorectal Cancer Tissue Detection [9.074125289002911]
  教師付き学習はラベル付きデータの可用性によって制限される。 本稿では、自己教師付き学習を利用してドメイン適応を行うSRAを提案する。
  論文  参考訳（メタデータ） (2021-08-20T13:52:33Z)
• Open Domain Generalization with Domain-Augmented Meta-Learning [83.59952915761141]
  オープンドメイン一般化(OpenDG)の新しい実践的問題について研究する。 本稿では,オープンドメイン一般化表現を学ぶためのメタ学習フレームワークを提案する。 種々のマルチドメインデータセットの実験結果から、提案したドメイン拡張メタラーニング(DAML)が、未確認ドメイン認識の先行手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-04-08T09:12:24Z)
• Robust Domain-Free Domain Generalization with Class-aware Alignment [4.442096198968069]
  ドメインフリードメイン一般化(DFDG)は、目に見えないテストドメインでより良い一般化性能を実現するモデル非依存の方法である。 DFDGは新しい戦略を用いてドメイン不変なクラス差別的特徴を学習する。 時系列センサと画像分類公開データセットの両方で競合性能を得る。
  論文  参考訳（メタデータ） (2021-02-17T17:46:06Z)
• A Review of Single-Source Deep Unsupervised Visual Domain Adaptation [81.07994783143533]
  大規模ラベル付きトレーニングデータセットにより、ディープニューラルネットワークは、幅広いベンチマークビジョンタスクを拡張できるようになった。 多くのアプリケーションにおいて、大量のラベル付きデータを取得するのは非常に高価で時間を要する。 限られたラベル付きトレーニングデータに対処するため、大規模ラベル付きソースドメインでトレーニングされたモデルを、疎ラベルまたは未ラベルのターゲットドメインに直接適用しようと試みている人も多い。
  論文  参考訳（メタデータ） (2020-09-01T00:06:50Z)
• Cross-domain Self-supervised Learning for Domain Adaptation with Few Source Labels [78.95901454696158]
  ドメイン適応のためのクロスドメイン自己教師型学習手法を提案する。 本手法は,ソースラベルが少ない新しいターゲット領域において,ターゲット精度を著しく向上させる。
  論文  参考訳（メタデータ） (2020-03-18T15:11:07Z)

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。