論文の概要: Enhancing the Generalization Capability of Skin Lesion Classification Models with Active Domain Adaptation Methods
- arxiv url: http://arxiv.org/abs/2412.00702v1
- Date: Sun, 01 Dec 2024 06:53:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-04 15:45:45.622860
- Title: Enhancing the Generalization Capability of Skin Lesion Classification Models with Active Domain Adaptation Methods
- Title(参考訳): アクティブドメイン適応法による皮膚病変分類モデルの一般化能力向上
- Authors: Jun Ye,
- Abstract要約: 自己教師付き学習(SSL)、教師なしドメイン適応(UDA)、アクティブドメイン適応(ADA)を組み合わせた皮膚病変分類モデルの一般化能力向上手法を提案する。
このアプローチの主なステップは、自然言語データセット上のSSL事前トレーニングモデルの選択、すべての利用可能な皮膚病変データセットに対するSSL再トレーニング、ラベル付きソースドメインデータ上のモデルの微調整、そして最後にADAメソッドの実装である。
- 参考スコア(独自算出の注目度): 0.7221810454281895
- License:
- Abstract: We propose a method to improve the generalization ability of skin lesion classification models by combining self-supervised learning (SSL), unsupervised domain adaptation (UDA), and active domain adaptation (ADA). The main steps of the approach include selection of a SSL pretrained model on natural image datasets, subsequent SSL retraining on all available skin lesion datasets, finetuning of the model on source domain data with labels, application of UDA methods on target domain data, and lastly, implementation of ADA methods. The efficacy of the proposed approach is assessed across ten skin lesion datasets of domains, demonstrating its potential for enhancing the performance of skin lesion classification models. This approach holds promise for facilitating the widespread adoption of medical imaging models in clinical settings, thereby amplifying their impact.
- Abstract(参考訳): 本稿では,自己教師付き学習(SSL),教師なしドメイン適応(UDA),アクティブドメイン適応(ADA)を組み合わせることで,皮膚病変分類モデルの一般化能力を向上させる手法を提案する。
このアプローチの主なステップは、自然言語データセット上のSSL事前トレーニングモデルの選択、すべての利用可能な皮膚病変データセットに対するSSL再トレーニング、ラベル付きソースドメインデータのモデルの微調整、ターゲットドメインデータへのUDAメソッドの適用、そして最後にADAメソッドの実装である。
提案手法の有効性を10領域の皮膚病変データセットで評価し,皮膚病変分類モデルの性能向上の可能性を示した。
このアプローチは、臨床環境での医療画像モデルの普及を促進することを約束し、その結果、その影響を増幅する。
関連論文リスト
- Federated Self-supervised Domain Generalization for Label-efficient Polyp Segmentation [12.12743798858467]
フェデレーテッド・ラーニング(FL)は、このプライバシー問題に対する強硬な解決策である。
FLの一般化能力を高めるために,フェデレーション型自己監督型ドメイン一般化法(LFDG)を提案する。
本手法はベースライン法および最近のFL法およびSSL法よりも3.80%,3.92%向上した。
論文 参考訳(メタデータ) (2025-02-11T21:00:01Z) - Multi-style conversion for semantic segmentation of lesions in fundus images by adversarial attacks [2.123492791776905]
本稿では,多様なデータベースにまたがるアノテーションスタイルの標準化の欠如に対処するため,逆変換と呼ばれる新しい手法を提案する。
統合データベース上で単一のアーキテクチャをトレーニングすることにより、モデルは入力に応じて自発的にセグメンテーションスタイルを変更する。
その結果,モデルの改良,不確実性推定,連続的一般化の道程として,データセットの組み合わせによる有意な質的,定量的な評価が得られた。
論文 参考訳(メタデータ) (2024-10-17T17:48:17Z) - Prompt-Guided Adaptive Model Transformation for Whole Slide Image Classification [27.21493446754789]
スライド画像全体(WSI)を分類する一般的な方法として,Multiple Case Learning (MIL)が登場した。
本稿では,事前学習したモデルを病理組織学データの特定の特性にシームレスに適応するPrompt-Guided Adaptive Model Transformationフレームワークを提案する。
我々は,Camelyon16とTCGA-NSCLCの2つのデータセットに対するアプローチを厳格に評価し,様々なMILモデルに対して大幅な改善を行った。
論文 参考訳(メタデータ) (2024-03-19T08:23:12Z) - Glioma subtype classification from histopathological images using
in-domain and out-of-domain transfer learning: An experimental study [9.161480191416551]
成人型びまん性グリオーマのコンピュータ支援分類のための様々な伝達学習戦略と深層学習アーキテクチャを比較した。
半教師付き学習手法を提案し、細調整されたモデルを用いて、スライド画像全体の無注釈領域のラベルを予測する。
モデルはその後、前のステップで決定された接地構造ラベルと弱いラベルを用いて再訓練され、標準のドメイン間転送学習と比較して優れた性能を提供する。
論文 参考訳(メタデータ) (2023-09-29T13:22:17Z) - Consistency Regularization for Generalizable Source-free Domain
Adaptation [62.654883736925456]
ソースフリードメイン適応(source-free domain adapt, SFDA)は、ソースデータセットにアクセスすることなく、十分にトレーニングされたソースモデルを未学習のターゲットドメインに適応することを目的としている。
既存のSFDAメソッドは、ターゲットのトレーニングセット上で適用されたモデルを評価し、目に見えないが同一の分散テストセットからデータを無視する。
より一般化可能なSFDA法を開発するための整合正則化フレームワークを提案する。
論文 参考訳(メタデータ) (2023-08-03T07:45:53Z) - Open-Set Domain Adaptation with Visual-Language Foundation Models [51.49854335102149]
非教師なしドメイン適応(UDA)は、ソースドメインからラベルのないデータを持つターゲットドメインへの知識の転送に非常に効果的であることが証明されている。
オープンセットドメイン適応(ODA)は、トレーニングフェーズ中にこれらのクラスを識別する潜在的なソリューションとして登場した。
論文 参考訳(メタデータ) (2023-07-30T11:38:46Z) - Divide and Adapt: Active Domain Adaptation via Customized Learning [56.79144758380419]
対象インスタンスを成層化可能な4つのカテゴリに分割する新しいADAフレームワークであるDiaNA(Divide-and-Adapt)を提案する。
不確実性とドメイン性に基づく新しいデータ分割プロトコルにより、DiaNAは最も有利なサンプルを正確に認識することができる。
の精神のおかげで、DiaNAはドメインギャップの大きなバリエーションでデータを処理できる。
論文 参考訳(メタデータ) (2023-07-21T14:37:17Z) - 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) - Ensembling Handcrafted Features with Deep Features: An Analytical Study
for Classification of Routine Colon Cancer Histopathological Nuclei Images [13.858624044986815]
我々は,F1-measure,Precision,Recall,AUC,Cross-Entropy Lossを用いて,提案手法の性能解析を行った。
以上の結果から,DL特徴のアンサンブルがモデル全体の性能を著しく向上させることが明らかとなった。
論文 参考訳(メタデータ) (2022-02-22T06:48:50Z) - Self-Supervised Learning of Graph Neural Networks: A Unified Review [50.71341657322391]
ラベルなしサンプルを多用する新たなパラダイムとして,自己教師型学習が登場している。
SSLを用いたグラフニューラルネットワーク(GNNs)のトレーニング方法の統一レビューを提供します。
gnnに対するssl手法の処理は,様々な手法の類似性と相違に光を当て,新しい手法やアルゴリズムの開発段階を定めている。
論文 参考訳(メタデータ) (2021-02-22T03:43:45Z) - 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。