論文の概要: On dataset transferability in medical image classification

• arxiv url: http://arxiv.org/abs/2412.20172v1
• Date: Sat, 28 Dec 2024 15:00:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-31 16:06:29.239969
• Title: On dataset transferability in medical image classification
• Title（参考訳）: 医用画像分類におけるデータセット転送可能性について
• Authors: Dovile Juodelyte, Enzo Ferrante, Yucheng Lu, Prabhant Singh, Joaquin Vanschoren, Veronika Cheplygina,
• Abstract要約: 医用画像分類において、電流伝達可能性推定法は、しばしば準最適である。 本稿では,特徴量と勾配を組み合わせ,対象タスクに対するソースモデル特徴の適合性と適応性を両立させる新しい伝達可能性指標を提案する。 その結果,提案手法は両方の設定で既存の転送可能性指標より優れていることがわかった。
• 参考スコア（独自算出の注目度）: 17.2563652152858
• License:
• Abstract: Current transferability estimation methods designed for natural image datasets are often suboptimal in medical image classification. These methods primarily focus on estimating the suitability of pre-trained source model features for a target dataset, which can lead to unrealistic predictions, such as suggesting that the target dataset is the best source for itself. To address this, we propose a novel transferability metric that combines feature quality with gradients to evaluate both the suitability and adaptability of source model features for target tasks. We evaluate our approach in two new scenarios: source dataset transferability for medical image classification and cross-domain transferability. Our results show that our method outperforms existing transferability metrics in both settings. We also provide insight into the factors influencing transfer performance in medical image classification, as well as the dynamics of cross-domain transfer from natural to medical images. Additionally, we provide ground-truth transfer performance benchmarking results to encourage further research into transferability estimation for medical image classification. Our code and experiments are available at https://github.com/DovileDo/transferability-in-medical-imaging.
• Abstract（参考訳）: 自然画像データセット用に設計された現在の転送可能性推定法は、しばしば医療画像分類において最適である。 これらの手法は主に、ターゲットデータセットに対する事前訓練されたソースモデル機能の適合性を推定することに焦点を当てており、ターゲットデータセットがそれ自体にとって最良のソースであることを示唆するなど、非現実的な予測につながる可能性がある。 そこで本研究では,特徴量と勾配を組み合わせ,対象タスクに対するソースモデルの特徴の適合性と適応性を両立させる新しい伝達可能性指標を提案する。 我々は、医療画像分類のためのソースデータセット転送可能性とドメイン間転送可能性の2つの新しいシナリオでアプローチを評価した。 その結果,提案手法は両方の設定で既存の転送可能性指標より優れていることがわかった。 また、医用画像分類における転送性能に影響を与える要因や、自然画像から医用画像へのクロスドメイン転送のダイナミクスについても考察する。 さらに、医用画像分類における転写可能性推定のさらなる研究を奨励するために、地中トランジビリティ性能ベンチマーク結果を提供する。 私たちのコードと実験はhttps://github.com/DovileDo/transferability-in-medical-imaging.comで公開されています。

関連論文リスト

• Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
  大規模なデータセットのトレーニングによるスケーリングは、画像生成の品質と忠実度を高め、拡散モデルによる操作を可能にすることが示されている。 遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。 本研究は,異なる微調整方式と組み合わせた場合,様々なシナリオにおいて顕著な性能向上を示すものである。
  論文  参考訳（メタデータ） (2024-12-30T01:59:34Z)
• FedMedICL: Towards Holistic Evaluation of Distribution Shifts in Federated Medical Imaging [68.6715007665896]
  FedMedICLは統合されたフレームワークであり、フェデレートされた医療画像の課題を全体評価するためのベンチマークである。 6種類の医用画像データセットについて,いくつかの一般的な手法を総合的に評価した。 単純なバッチ分散手法はFedMedICL実験全体の平均性能において,高度な手法を超越していることがわかった。
  論文  参考訳（メタデータ） (2024-07-11T19:12:23Z)
• Pick the Best Pre-trained Model: Towards Transferability Estimation for Medical Image Segmentation [20.03177073703528]
  転送学習は、難しい医用画像分割タスクのために、ディープニューラルネットワークをトレーニングする上で重要なテクニックである。 医用画像セグメンテーションのための新しい転送可能性推定法を提案する。 医用画像のセグメンテーションにおける転送可能性推定のアルゴリズムを網羅した手法を提案する。
  論文  参考訳（メタデータ） (2023-07-22T01:58:18Z)
• Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
  条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。 提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。 提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
  論文  参考訳（メタデータ） (2023-03-17T18:00:27Z)
• Parameter-Efficient Transformer with Hybrid Axial-Attention for Medical Image Segmentation [10.441315305453504]
  医用画像セグメンテーションのための位置情報を用いた本質的帰納バイアスを探索するパラメータ効率変換器を提案する。 そこで本研究では,空間画素情報と相対位置情報を帰納バイアスとして利用できるハイブリッド軸アテンション(HAA)を提案する。
  論文  参考訳（メタデータ） (2022-11-17T13:54:55Z)
• What Makes Transfer Learning Work For Medical Images: Feature Reuse & Other Factors [1.5207770161985628]
  医学領域への転帰学習が有用であるか否かは,どの要因が決定されるかは定かではない。 転送学習,データサイズ,モデルのキャパシティと帰納バイアス,およびソースとターゲットドメイン間の距離の関係について検討する。
  論文  参考訳（メタデータ） (2022-03-02T10:13:11Z)
• Transferability Estimation using Bhattacharyya Class Separability [37.52588126267552]
  トランスファーラーニング(Transfer Learning)は、コンピュータビジョンにおいて事前訓練されたモデルを活用する一般的な方法である。 特定の目標タスクに適した事前学習されたソースモデルを定量化することは困難である。 本稿では,ソースモデルとターゲットデータセット間の転送可能性の定量化手法を提案する。
  論文  参考訳（メタデータ） (2021-11-24T20:22:28Z)
• Supervised Transfer Learning at Scale for Medical Imaging [8.341246672632582]
  現代的手法が医療画像の転送学習の運命を変えることができるかどうかを検討する。 Kolesnikovらによって提示された大規模な事前訓練されたネットワークのクラスを研究します。 3つの多様なイメージングタスクで 自然画像から医用画像へ移行する性質のいくつかは、実際には極めて有効であるが、十分な規模で実行された場合にのみ有効である。
  論文  参考訳（メタデータ） (2021-01-14T23:55:49Z)
• Domain Generalization for Medical Imaging Classification with Linear-Dependency Regularization [59.5104563755095]
  本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。 医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
  論文  参考訳（メタデータ） (2020-09-27T12:30:30Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)
• What Can Be Transferred: Unsupervised Domain Adaptation for Endoscopic Lesions Segmentation [51.7837386041158]
  内視鏡的病変分割のための2つの相補的モジュールを含む新しい教師なしセマンティックトランスファーモデルを開発した。 特に、T_Dは、残留転写可能性を認識するボトルネックを介して、医療病変の伝達可能な視覚情報を翻訳する場所に焦点を当てている。 T_Fは、さまざまな病変のトランスファー可能なセマンティック機能を拡張し、自動的に非トランスファー可能な表現を無視する方法を強調している。
  論文  参考訳（メタデータ） (2020-04-24T00:57:05Z)

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。