論文の概要: DyMix: Dynamic Frequency Mixup Scheduler based Unsupervised Domain Adaptation for Enhancing Alzheimer's Disease Identification

• arxiv url: http://arxiv.org/abs/2410.12827v1
• Date: Wed, 02 Oct 2024 07:18:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-20 09:40:59.902706
• Title: DyMix: Dynamic Frequency Mixup Scheduler based Unsupervised Domain Adaptation for Enhancing Alzheimer's Disease Identification
• Title（参考訳）: DyMix: 動的周波数混合スケジューリングに基づくアルツハイマー病の同定を支援する教師なし領域適応
• Authors: Yooseung Shin, Kwanseok Oh, Heung-Il Suk,
• Abstract要約: 教師なしドメイン適応のための動的周波数混合スケジューラ(DyMix)を提案する。 提案するDyMixは、ソース領域とターゲット領域とを混合した周波数領域の大きさを調整する。 アルツハイマー病の診断において,最先端の方法と比較して優れた成績を示した。
• 参考スコア（独自算出の注目度）: 9.506504023554031
• License:
• Abstract: Advances in deep learning (DL)-based models for brain image analysis have significantly enhanced the accuracy of Alzheimer's disease (AD) diagnosis, allowing for more timely interventions. Despite these advancements, most current DL models suffer from performance degradation when inferring on unseen domain data owing to the variations in data distributions, a phenomenon known as domain shift. To address this challenge, we propose a novel approach called the dynamic frequency mixup scheduler (DyMix) for unsupervised domain adaptation. Contrary to the conventional mixup technique, which involves simple linear interpolations between predefined data points from the frequency space, our proposed DyMix dynamically adjusts the magnitude of the frequency regions being mixed from the source and target domains. Such an adaptive strategy optimizes the model's capacity to deal with domain variability, thereby enhancing its generalizability across the target domain. In addition, we incorporate additional strategies to further enforce the model's robustness against domain shifts, including leveraging amplitude-phase recombination to ensure resilience to intensity variations and applying self-adversarial learning to derive domain-invariant feature representations. Experimental results on two benchmark datasets quantitatively and qualitatively validated the effectiveness of our DyMix in that we demonstrated its outstanding performance in AD diagnosis compared to state-of-the-art methods.
• Abstract（参考訳）: 深層学習に基づく脳画像解析モデルの進歩は、アルツハイマー病(AD)診断の精度を大幅に向上させ、よりタイムリーな介入を可能にした。 これらの進歩にもかかわらず、現在のDLモデルのほとんどは、データ分散のばらつきによって見つからないドメインデータから推測される場合、パフォーマンスの低下に悩まされている。 この課題に対処するため、教師なしドメイン適応のための動的周波数混合スケジューラ(DyMix)を提案する。 周波数空間から予め定義されたデータポイント間の単純な線形補間を含む従来の混合手法とは対照的に,提案したDyMixはソース領域とターゲット領域とを混合する周波数領域の大きさを動的に調整する。 このような適応的な戦略は、ドメインの可変性を扱うためにモデルの容量を最適化し、それによって対象ドメイン全体の一般化性を高める。 さらに、振幅位相再結合を利用して強度変化に対する弾力性を確保し、ドメイン不変の特徴表現を導出するために自己逆学習を適用するなど、モデルのドメインシフトに対する堅牢性をさらに強化する戦略も取り入れた。 2つのベンチマークデータセットによる実験結果から,AD診断におけるDyMixの有効性を,最先端の手法と比較して定量的に検証した。

関連論文リスト

• FIESTA: Fourier-Based Semantic Augmentation with Uncertainty Guidance for Enhanced Domain Generalizability in Medical Image Segmentation [10.351755243183383]
  医用画像セグメンテーション(MIS)における単一ソース領域一般化(SDG)は、1つのソースドメインのみのデータを使用してモデルを一般化し、目に見えないターゲットドメインからデータをセグメントすることを目的としている。 既存の手法では、MISでよく見られる詳細や不確実な領域を十分に考慮できないことが多く、誤分類につながる。 本稿では、不確実性ガイダンスを用いたFIESTAと呼ばれるフーリエに基づく意味拡張手法を提案する。
  論文  参考訳（メタデータ） (2024-06-20T13:37:29Z)
• Augmentation-based Unsupervised Cross-Domain Functional MRI Adaptation for Major Depressive Disorder Identification [23.639488571585044]
  メジャー・うつ病(Major depressive disorder、MDD)は、一般的に人の気分、認知、行動、身体的健康に影響を及ぼす一般的な精神障害である。 本研究では,MDDの自動診断のための拡張型非教師付きクロスドメインfMRI適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-31T13:55:33Z)
• Adaptive Affinity-Based Generalization For MRI Imaging Segmentation Across Resource-Limited Settings [1.5703963908242198]
  本稿では,適応親和性に基づく蒸留とカーネルベースの蒸留をシームレスに組み合わせた,新しい関係に基づく知識フレームワークを提案する。 革新的アプローチを検証するために,我々は公開されている複数ソースのMRIデータについて実験を行った。
  論文  参考訳（メタデータ） (2024-04-03T13:35:51Z)
• Weakly supervised covariance matrices alignment through Stiefel matrices estimation for MEG applications [64.20396555814513]
  本稿では,Mixing Model Stiefel Adaptation (MSA)と呼ばれる時系列データに対する新しいドメイン適応手法を提案する。 我々は、ドメイン間の等価な信号分散とペアの対応を確立することにより、ターゲット領域における豊富なラベルのないデータを利用して効果的な予測を行う。 MSAは、Cam-CANデータセットのMEG信号を用いて、タスクの変動を伴う脳年齢回帰の最近の手法より優れている。
  論文  参考訳（メタデータ） (2024-01-24T19:04:49Z)
• ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
  大腸内視鏡検査は臨床診断や治療に不可欠である。 注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。 本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
  論文  参考訳（メタデータ） (2023-09-03T07:55:46Z)
• A Novel Cross-Perturbation for Single Domain Generalization [54.612933105967606]
  単一ドメインの一般化は、モデルが単一のソースドメインでトレーニングされたときに未知のドメインに一般化する能力を高めることを目的としている。 トレーニングデータの限られた多様性は、ドメイン不変の特徴の学習を妨げ、結果として一般化性能を損なう。 トレーニングデータの多様性を高めるために,CPerbを提案する。
  論文  参考訳（メタデータ） (2023-08-02T03:16:12Z)
• 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)
• IDA: Informed Domain Adaptive Semantic Segmentation [51.12107564372869]
  クラスレベルのセグメンテーション性能に基づいてデータを混合する自己学習フレームワークであるDomain Informed Adaptation (IDA) モデルを提案する。 IDAモデルでは、クラスレベルの性能を期待信頼スコア(ECS)によって追跡し、動的スケジュールを用いて異なる領域のデータに対する混合比を決定する。 提案手法は,GTA-Vの都市景観への適応において1.1 mIoU,SynTHIAの都市への適応において0.9 mIoUのマージンで,最先端のUDA-SS法よりも優れる。
  論文  参考訳（メタデータ） (2023-03-05T18:16:34Z)
• A Novel Mix-normalization Method for Generalizable Multi-source Person Re-identification [49.548815417844786]
  人物再識別(Re-ID)は、監督されたシナリオにおいて大きな成功を収めた。 モデルがソースドメインに過度に適合するため、教師付きモデルを任意の未確認領域に直接転送することは困難である。 ドメイン・アウェア・ミックス正規化(DMN)とドメイン・ウェア・センター正規化(DCR)からなるMixNormを提案する。
  論文  参考訳（メタデータ） (2022-01-24T18:09:38Z)
• 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)

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。