論文の概要: Divergent Domains, Convergent Grading: Enhancing Generalization in Diabetic Retinopathy Grading
- arxiv url: http://arxiv.org/abs/2411.02614v1
- Date: Mon, 04 Nov 2024 21:09:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-06 14:59:03.684118
- Title: Divergent Domains, Convergent Grading: Enhancing Generalization in Diabetic Retinopathy Grading
- Title（参考訳）: ダイバージェントドメイン, 収束型グラディング:糖尿病網膜症グラディングにおける一般化の促進
- Authors: Sharon Chokuwa, Muhammad Haris Khan,
- Abstract要約: 糖尿病網膜症(DR)は世界の視覚障害の5%を占める。
DRグレーディングにおけるドメイン一般化(DG)を実現するための新しいディープラーニング手法を提案する。
本手法は,経験的リスク最小化ベースラインよりも大幅に改善されたことを示す。
- 参考スコア（独自算出の注目度）: 8.59772105902647
- License:
- Abstract: Diabetic Retinopathy (DR) constitutes 5% of global blindness cases. While numerous deep learning approaches have sought to enhance traditional DR grading methods, they often falter when confronted with new out-of-distribution data thereby impeding their widespread application. In this study, we introduce a novel deep learning method for achieving domain generalization (DG) in DR grading and make the following contributions. First, we propose a new way of generating image-to-image diagnostically relevant fundus augmentations conditioned on the grade of the original fundus image. These augmentations are tailored to emulate the types of shifts in DR datasets thus increase the model's robustness. Second, we address the limitations of the standard classification loss in DG for DR fundus datasets by proposing a new DG-specific loss, domain alignment loss; which ensures that the feature vectors from all domains corresponding to the same class converge onto the same manifold for better domain generalization. Third, we tackle the coupled problem of data imbalance across DR domains and classes by proposing to employ Focal loss which seamlessly integrates with our new alignment loss. Fourth, due to inevitable observer variability in DR diagnosis that induces label noise, we propose leveraging self-supervised pretraining. This approach ensures that our DG model remains robust against early susceptibility to label noise, even when only a limited dataset of non-DR fundus images is available for pretraining. Our method demonstrates significant improvements over the strong Empirical Risk Minimization baseline and other recently proposed state-of-the-art DG methods for DR grading. Code is available at https://github.com/sharonchokuwa/dg-adr.
- Abstract（参考訳）: 糖尿病網膜症(DR)は世界の視覚障害の5%を占める。
多くのディープラーニングアプローチは、従来のDRグレーディング手法を強化しようとしてきたが、新しいアウト・オブ・ディストリビューションデータに直面すると、その適用を妨げてしまうことがしばしばある。
本研究では,DRグレーディングにおけるドメイン一般化(DG)を実現するための新しい深層学習手法を提案する。
まず,画像から画像への関連性のある眼底拡張を原画像のグレードに応じて生成する手法を提案する。
これらの拡張は、DRデータセットのシフトのタイプをエミュレートするように調整され、モデルの堅牢性を高める。
第二に、DRファンドスデータセットの標準分類損失の制限に対処するため、新しいDG固有の損失、ドメインアライメント損失を提案し、同じクラスに対応するすべてのドメインの特徴ベクトルが同じ多様体に収束することを保証した。
第3に、新しいアライメント損失とシームレスに統合するFocal Lossを採用することを提案することで、DRドメインとクラス間でのデータ不均衡の結合問題に取り組む。
第4に、ラベルノイズを誘発するDR診断における不可避な可観測性のため、自己教師付き事前学習の活用を提案する。
このアプローチにより、DGモデルは、DRでないファンドイメージの限られたデータセットしか事前トレーニングできない場合でも、ラベルノイズに対する早期の感受性に対して堅牢である。
本手法は, DRグレーディングのための強力な経験的リスク最小化基準と最近提案された最新のDG法に比較して, 大幅な改善を示す。
コードはhttps://github.com/sharonchokuwa/dg-adr.comで入手できる。
関連論文リスト
- DRStageNet: Deep Learning for Diabetic Retinopathy Staging from Fundus
Images [3.4456298317539313]
タイムリーな識別は視覚障害を抑制するために重要である。
モデルは、モデルがトレーニングされたソースドメインと、それがデプロイされたターゲットドメインの間の分散シフトのために、一般化に失敗することが多い。
この課題を軽減するために設計されたディープラーニングモデルであるDRStageNetを紹介します。
論文 参考訳（メタデータ） (2023-12-22T18:09:20Z) - Generalizing to Unseen Domains in Diabetic Retinopathy Classification [8.59772105902647]
糖尿病網膜症分類における分布や領域の特定にモデルを一般化する問題について検討した。
本稿では、視覚変換器の自己蒸留を実現するための、シンプルで効果的な領域一般化(DG)手法を提案する。
本稿では,オープンソースのDR分類データセット上での最先端DG手法の性能について報告する。
論文 参考訳（メタデータ） (2023-10-26T09:11:55Z) - CauDR: A Causality-inspired Domain Generalization Framework for
Fundus-based Diabetic Retinopathy Grading [11.982719279583002]
コンピュータ支援型DRグレーティングシステムは、眼科医が迅速なスクリーニングと診断を行うのに役立つ。
眼底撮影の最近の進歩は、新しい網膜イメージングカメラの開発に拍車をかけた。
DRグレーディングのためのディープラーニングベースのアルゴリズムのほとんどは、ドメイン間の限定的な一般化を示している。
論文 参考訳（メタデータ） (2023-09-27T08:43:49Z) - DGM-DR: Domain Generalization with Mutual Information Regularized
Diabetic Retinopathy Classification [40.35834579068518]
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。
論文 参考訳（メタデータ） (2023-09-18T11:17:13Z) - Exploring the Transfer Learning Capabilities of CLIP in Domain
Generalization for Diabetic Retinopathy [7.649900082537232]
クロスドメインの一般化は医療分野において難しい問題である。
近年の研究では,自然画像におけるDG問題に対するCLIPの有効性が示されている。
本研究では,糖尿病網膜症(DR)分類におけるCLIPの伝達学習能力とそのドメイン間一般化の可能性について検討した。
論文 参考訳（メタデータ） (2023-08-27T22:02:41Z) - Measuring the Robustness of NLP Models to Domain Shifts [50.89876374569385]
ドメインロバストネス(DR)に関する既存の研究は、異なる設定、限られたタスクの多様性、コンテキスト内学習のような最近の能力に関する研究が不足している。
現在の研究は、チャレンジセットに焦点を当て、ソースドロップ(SD: Source Drop)のみに依存している。
我々は、ドメイン内パフォーマンスの劣化を測定するターゲットドロップ(TD)を相補的な視点として使うべきであると論じる。
論文 参考訳（メタデータ） (2023-05-31T20:25:08Z) - How to Train Your DRAGON: Diverse Augmentation Towards Generalizable
Dense Retrieval [80.54532535622988]
教師付き検索とゼロショット検索の両方において高い精度を達成するために、一般化可能な高密度検索を訓練できることが示される。
多様な拡張で訓練された高密度レトリバーであるDRAGONは、教師付きおよびゼロショット評価の両方において最先端の有効性を実現する最初のBERTベースサイズのDRである。
論文 参考訳（メタデータ） (2023-02-15T03:53:26Z) - Cross-Site Severity Assessment of COVID-19 from CT Images via Domain
Adaptation [64.59521853145368]
CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。
ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。
この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
論文 参考訳（メタデータ） (2021-09-08T07:56:51Z) - Self-Supervised Domain Adaptation for Diabetic Retinopathy Grading using
Vessel Image Reconstruction [61.58601145792065]
我々は網膜血管画像再構成に基づく新しい自己教師型タスクを定義することで、不変なターゲットドメインの特徴を学習する。
私たちのアプローチは既存のドメイン戦略よりも優れています。
論文 参考訳（メタデータ） (2021-07-20T09:44:07Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - Simple and Effective Prevention of Mode Collapse in Deep One-Class
Classification [93.2334223970488]
深部SVDDにおける超球崩壊を防止するための2つの正則化器を提案する。
第1の正則化器は、標準のクロスエントロピー損失によるランダムノイズの注入に基づいている。
第2の正規化器は、小さすぎるとミニバッチ分散をペナライズする。
論文 参考訳（メタデータ） (2020-01-24T03:44:47Z)
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。