論文の概要: RetiGen: A Framework for Generalized Retinal Diagnosis Using Multi-View Fundus Images
- arxiv url: http://arxiv.org/abs/2403.15647v1
- Date: Fri, 22 Mar 2024 23:08:31 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-26 21:41:55.410810
- Title: RetiGen: A Framework for Generalized Retinal Diagnosis Using Multi-View Fundus Images
- Title（参考訳）: RetiGen:マルチビューファウンダス画像を用いた一般網膜診断のためのフレームワーク
- Authors: Ze Chen, Gongyu Zhang, Jiayu Huo, Joan Nunez do Rio, Charalampos Komninos, Yang Liu, Rachel Sparks, Sebastien Ourselin, Christos Bergeles, Timothy Jackson,
- Abstract要約: 本研究では,医用画像における領域一般化の新たな枠組みを紹介する。
提案手法は,階層化されていないマルチビュー画像データのリッチな情報を活用し,モデルのロバスト性と精度を向上させる。
本フレームワークは,ドメインの一般化能力の向上を実証し,実世界の展開に実用的なソリューションを提供する。
- 参考スコア（独自算出の注目度）: 7.4517363785335196
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This study introduces a novel framework for enhancing domain generalization in medical imaging, specifically focusing on utilizing unlabelled multi-view colour fundus photographs. Unlike traditional approaches that rely on single-view imaging data and face challenges in generalizing across diverse clinical settings, our method leverages the rich information in the unlabelled multi-view imaging data to improve model robustness and accuracy. By incorporating a class balancing method, a test-time adaptation technique and a multi-view optimization strategy, we address the critical issue of domain shift that often hampers the performance of machine learning models in real-world applications. Experiments comparing various state-of-the-art domain generalization and test-time optimization methodologies show that our approach consistently outperforms when combined with existing baseline and state-of-the-art methods. We also show our online method improves all existing techniques. Our framework demonstrates improvements in domain generalization capabilities and offers a practical solution for real-world deployment by facilitating online adaptation to new, unseen datasets. Our code is available at https://github.com/zgy600/RetiGen .
- Abstract（参考訳）: 本研究は,医用画像における領域の一般化を促進するための新しい枠組みについて紹介する。
単視点画像データと多様な臨床環境をまたがって一般化する課題に直面する従来のアプローチとは違って,本手法ではマルチビュー画像データのリッチな情報を活用して,モデルの堅牢性と精度を向上させる。
クラスバランス手法,テスト時間適応手法,マルチビュー最適化戦略を取り入れることで,実世界のアプリケーションにおける機械学習モデルの性能を損なうような領域シフトの重要な問題に対処する。
種々の最先端領域一般化法とテスト時間最適化法を比較した実験により,既存のベースラインや最先端手法と組み合わせた場合,我々の手法は一貫して性能が向上することが示された。
また,既存の手法を改良したオンライン手法についても紹介する。
我々のフレームワークは、ドメインの一般化機能の改善を実証し、新しい、目に見えないデータセットへのオンライン適応を容易にすることで、現実のデプロイメントに実用的なソリューションを提供する。
私たちのコードはhttps://github.com/zgy600/RetiGenで利用可能です。
関連論文リスト
- Advances in Diffusion Models for Image Data Augmentation: A Review of Methods, Models, Evaluation Metrics and Future Research Directions [6.2719115566879236]
拡散モデル(DM)は画像データ拡張のための強力なツールとして登場した。
DMは、基礎となるデータ分布を学習することで、現実的で多様な画像を生成する。
この分野における現在の課題と今後の研究方向性について論じる。
論文 参考訳（メタデータ） (2024-07-04T18:06:48Z) - Language Guided Domain Generalized Medical Image Segmentation [68.93124785575739]
単一ソースドメインの一般化は、より信頼性が高く一貫性のあるイメージセグメンテーションを現実の臨床環境にわたって約束する。
本稿では,テキストエンコーダ機能によって案内されるコントラスト学習機構を組み込むことで,テキスト情報を明確に活用する手法を提案する。
文献における既存手法に対して,本手法は良好な性能を発揮する。
論文 参考訳（メタデータ） (2024-04-01T17:48:15Z) - DiCoM -- Diverse Concept Modeling towards Enhancing Generalizability in Chest X-Ray Studies [6.83819481805979]
胸部X線(胸部X線、CXR)は、広く用いられている画像モダリティである。
自己指導型プレトレーニングは、多くの下流視覚タスクにおいて教師付きプレトレーニングよりも優れていることが証明されている。
本稿では,新しい自己教師型トレーニングパラダイムであるDiCoMについて紹介する。
論文 参考訳（メタデータ） (2024-02-22T20:51:37Z) - Histopathological Image Analysis with Style-Augmented Feature Domain
Mixing for Improved Generalization [14.797708873795406]
ドメインの一般化は、学習モデルを新しいデータセットや集団に一般化可能にすることで、制限に対処することを目的としている。
スタイル転送ベースのデータ拡張は、機械学習モデルの一般化性を改善するために使用できる新興技術である。
本稿では、適応型インスタンス正規化を用いて、画像のスタイル拡張版を生成する機能ドメインスタイルミキシング手法を提案する。
論文 参考訳（メタデータ） (2023-10-31T17:06:36Z) - Domain Generalization for Mammographic Image Analysis with Contrastive
Learning [62.25104935889111]
効果的なディープラーニングモデルのトレーニングには、さまざまなスタイルと品質を備えた大規模なデータが必要である。
より優れたスタイルの一般化能力を備えた深層学習モデルを実現するために,新しいコントラスト学習法が開発された。
提案手法は,様々なベンダスタイルドメインのマンモグラムや,いくつかのパブリックデータセットを用いて,広範囲かつ厳密に評価されている。
論文 参考訳（メタデータ） (2023-04-20T11:40:21Z) - Bridging Synthetic and Real Images: a Transferable and Multiple
Consistency aided Fundus Image Enhancement Framework [61.74188977009786]
画像強調とドメイン適応を同時に行うために,エンドツーエンドの教師支援フレームワークを提案する。
また,教師ネットワークと学生ネットワークのバックボーンとして,マルチステージ型マルチアテンション・ガイド・エンハンスメント・ネットワーク(MAGE-Net)を提案する。
論文 参考訳（メタデータ） (2023-02-23T06:16:15Z) - Federated Domain Generalization for Image Recognition via Cross-Client
Style Transfer [60.70102634957392]
ドメイン一般化(Domain Generalization, DG)は、画像認識においてホットなトピックであり、目に見えないドメインでうまく機能する一般的なモデルを訓練することを目的としている。
本稿では,データサンプルを交換することなく,クロスクライアント型転送(CCST)による画像認識のための新しい領域一般化手法を提案する。
本手法は2つのDGベンチマーク(PACS, OfficeHome)とFL設定における大規模医用画像データセット(Camelyon17)において,最近のSOTA DG法より優れている。
論文 参考訳（メタデータ） (2022-10-03T13:15:55Z) - A Generic Approach for Enhancing GANs by Regularized Latent Optimization [79.00740660219256]
本稿では,事前学習したGANを効果的かつシームレスに拡張できる,エミュレーティブモデル推論と呼ばれる汎用フレームワークを提案する。
我々の基本的な考え方は、ワッサーシュタイン勾配流法を用いて与えられた要求に対する最適潜時分布を効率的に推算することである。
論文 参考訳（メタデータ） (2021-12-07T05:22:50Z) - Beyond Fine-tuning: Classifying High Resolution Mammograms using
Function-Preserving Transformations [32.40975574666405]
マンモグラムを分類する作業は、通常、病変が高解像度画像で小さいため、非常に困難です。
本稿では,MorphHRという新しいフレームワークを導入して,微調整以上のものを提案する。
提案するフレームワークは, 連続した非線形活性化ニューロンに対して, 機能保存変換を統合し, 内部的にネットワークを正規化し, マンモグラム分類を改善する。
論文 参考訳（メタデータ） (2021-01-20T03:04:07Z) - Learning Deformable Image Registration from Optimization: Perspective,
Modules, Bilevel Training and Beyond [62.730497582218284]
マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。
我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
論文 参考訳（メタデータ） (2020-04-30T03:23:45Z)
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。