論文の概要: DoSReMC: Domain Shift Resilient Mammography Classification using Batch Normalization Adaptation

• arxiv url: http://arxiv.org/abs/2508.15452v1
• Date: Thu, 21 Aug 2025 11:17:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-22 16:26:46.292464
• Title: DoSReMC: Domain Shift Resilient Mammography Classification using Batch Normalization Adaptation
• Title（参考訳）: DoSReMC: Batch Normalization Adaptation を用いたドメインシフト耐性マンモグラフィ分類
• Authors: Uğurcan Akyüz, Deniz Katircioglu-Öztürk, Emre K. Süslü, Burhan Keleş, Mete C. Kaya, Gamze Durhan, Meltem G. Akpınar, Figen B. Demirkazık, Gözde B. Akar,
• Abstract要約: DoSReMCは、モデル全体をトレーニングすることなく、クロスドメインの一般化を強化するために設計されたバッチ正規化フレームワークである。 DoSReMCは、既存のAIパイプラインに簡単に組み込むことができ、様々な臨床環境に適用できる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Numerous deep learning-based solutions have been developed for the automatic recognition of breast cancer using mammography images. However, their performance often declines when applied to data from different domains, primarily due to domain shift - the variation in data distributions between source and target domains. This performance drop limits the safe and equitable deployment of AI in real-world clinical settings. In this study, we present DoSReMC (Domain Shift Resilient Mammography Classification), a batch normalization (BN) adaptation framework designed to enhance cross-domain generalization without retraining the entire model. Using three large-scale full-field digital mammography (FFDM) datasets - including HCTP, a newly introduced, pathologically confirmed in-house dataset - we conduct a systematic cross-domain evaluation with convolutional neural networks (CNNs). Our results demonstrate that BN layers are a primary source of domain dependence: they perform effectively when training and testing occur within the same domain, and they significantly impair model generalization under domain shift. DoSReMC addresses this limitation by fine-tuning only the BN and fully connected (FC) layers, while preserving pretrained convolutional filters. We further integrate this targeted adaptation with an adversarial training scheme, yielding additional improvements in cross-domain generalizability. DoSReMC can be readily incorporated into existing AI pipelines and applied across diverse clinical environments, providing a practical pathway toward more robust and generalizable mammography classification systems.
• Abstract（参考訳）: マンモグラフィー画像を用いた乳がん自動認識のための深層学習ソリューションが多数開発されている。 しかしながら、そのパフォーマンスは、主にドメインシフト(ソースとターゲットドメイン間のデータ分散の変化)によって、異なるドメインのデータに適用されると低下することが多い。 このパフォーマンス低下は、実際の臨床環境でのAIの安全で公平な展開を制限する。 本研究では,モデル全体をトレーニングすることなく,ドメイン間の一般化を向上するバッチ正規化(BN)適応フレームワークであるDoSReMC(Domain Shift Resilient Mammography Classification)を提案する。 HCTPを含む3つの大規模フルフィールドデジタルマンモグラフィー(FFDM)データセットを使用して、畳み込みニューラルネットワーク(CNN)による体系的なクロスドメイン評価を行う。 その結果、BN層はドメイン依存の主要な原因であり、同じドメイン内でトレーニングやテストを行う際に効果的に機能し、ドメインシフト下でのモデル一般化を著しく損なうことが明らかとなった。 DoSReMCはこの制限に対処し、BNと完全連結(FC)層のみを微調整し、事前訓練された畳み込みフィルタを保存する。 我々はさらに、このターゲット適応を敵のトレーニングスキームと統合し、ドメイン間の一般化性をさらに向上させる。 DoSReMCは、既存のAIパイプラインに簡単に組み込むことができ、様々な臨床環境に適用でき、より堅牢で一般化可能なマンモグラフィ分類システムへの実践的な経路を提供する。

関連論文リスト

• Can Diffusion Models Bridge the Domain Gap in Cardiac MR Imaging? [2.0202525145391093]
  そこで本研究では,所定の基準に類似した人工心臓MR画像を生成するソースドメイン上で訓練された拡散モデルを提案する。 合成データは、空間的および構造的忠実性を維持し、ソースドメインと類似性を確保し、セグメンテーションマスクとの互換性を確保する。 ドメイン一般化、ドメイン不変セグメンテーションモデルは、合成ソースドメインデータに基づいて訓練され、ドメイン適応では、DMを用いてターゲットドメインデータをソースドメインへシフトする。
  論文  参考訳（メタデータ） (2025-08-08T13:57:48Z)
• Learning from Heterogeneous Structural MRI via Collaborative Domain Adaptation for Late-Life Depression Assessment [24.340328016766183]
  T1強調MRIを用いたLDD検出のための協調的ドメイン適応フレームワークを提案する。 このフレームワークは、ラベル付きソースデータに対する教師付きトレーニング、自己教師付きターゲット特徴適応、ラベルなしターゲットデータに対する協調トレーニングの3段階で構成されている。 マルチサイトT1強調MRIデータを用いて行った実験により、このフレームワークは最先端の非教師なし領域適応法より一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-07-30T01:38:32Z)
• HyDA: Hypernetworks for Test Time Domain Adaptation in Medical Imaging Analysis [4.450536872346658]
  ドメイン特性を抑圧するのではなく活用する新しいハイパーネットワークフレームワークであるHyDAを紹介する。 具体的には、HyDAは暗黙のドメイン表現を学び、それを使ってモデルパラメータをオンザフライで調整する。 我々はHyDAをMRI脳年齢予測と胸部X線診断の2つの臨床応用で検証した。
  論文  参考訳（メタデータ） (2025-03-06T21:17:40Z)
• FedSemiDG: Domain Generalized Federated Semi-supervised Medical Image Segmentation [19.87797382888023]
  医用画像の多様性とラベル付きデータの欠如により、医用画像のセグメンテーションは困難である。 本稿では,FedSemiDGの課題に対処するため,FGASL(Federated Generalization-Aware Semi Supervised Learning)という新しいフレームワークを提案する。 提案手法は最先端のFSSLおよびドメインの一般化手法を著しく上回り,未確認領域に対する堅牢な一般化を実現している。
  論文  参考訳（メタデータ） (2025-01-13T14:54:49Z)
• One-Shot Domain Adaptive and Generalizable Semantic Segmentation with Class-Aware Cross-Domain Transformers [96.51828911883456]
  セマンティックセグメンテーションのための教師なしのsim-to-realドメイン適応(UDA)は、シミュレーションデータに基づいて訓練されたモデルの実世界のテスト性能を改善することを目的としている。 従来のUDAは、適応のためのトレーニング中に利用可能なラベルのない実世界のサンプルが豊富にあると仮定することが多い。 実世界のデータサンプルが1つしか利用できない,一発の教師なしシム・トゥ・リアル・ドメイン適応(OSUDA)と一般化問題について検討する。
  論文  参考訳（メタデータ） (2022-12-14T15:54:15Z)
• TAL: Two-stream Adaptive Learning for Generalizable Person Re-identification [115.31432027711202]
  我々は、ドメイン固有性とドメイン不変性の両方が、re-idモデルの一般化能力の向上に不可欠であると主張する。 これら2種類の情報を同時にモデル化するために,2ストリーム適応学習 (TAL) を命名した。 我々のフレームワークは、単一ソースとマルチソースの両方のドメイン一般化タスクに適用できる。
  論文  参考訳（メタデータ） (2021-11-29T01:27:42Z)
• Self-Rule to Adapt: Generalized Multi-source Feature Learning Using Unsupervised Domain Adaptation for Colorectal Cancer Tissue Detection [9.074125289002911]
  教師付き学習はラベル付きデータの可用性によって制限される。 本稿では、自己教師付き学習を利用してドメイン適応を行うSRAを提案する。
  論文  参考訳（メタデータ） (2021-08-20T13:52:33Z)
• Adaptive Risk Minimization: Learning to Adapt to Domain Shift [109.87561509436016]
  ほとんどの機械学習アルゴリズムの基本的な前提は、トレーニングとテストデータは、同じ基礎となる分布から引き出されることである。 本研究では,学習データをドメインに構造化し,複数のテスト時間シフトが存在する場合の領域一般化の問題点について考察する。 本稿では、適応リスク最小化(ARM)の枠組みを紹介し、モデルがトレーニング領域に適応することを学ぶことで、効果的な適応のために直接最適化される。
  論文  参考訳（メタデータ） (2020-07-06T17:59:30Z)
• Self-Challenging Improves Cross-Domain Generalization [81.99554996975372]
  畳み込みニューラルネットワーク(CNN)は、ラベルと相関する支配的特徴を活性化することにより、画像分類を行う。 ドメイン外データに対するCNNの一般化を著しく改善する簡単なトレーニングである自己整合表現(RSC)を導入する。 RSCはトレーニングデータ上で活性化される主要な機能に対して反復的に挑戦し、ラベルと相関する残りの機能を有効にするようネットワークに強制する。
  論文  参考訳（メタデータ） (2020-07-05T21:42:26Z)
• Shape-aware Meta-learning for Generalizing Prostate MRI Segmentation to Unseen Domains [68.73614619875814]
  前立腺MRIのセグメント化におけるモデル一般化を改善するために,新しい形状認識メタラーニング手法を提案する。 実験結果から,本手法は未確認領域の6つの設定すべてにおいて,最先端の一般化手法を一貫して上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2020-07-04T07:56:02Z)
• Supervised Domain Adaptation using Graph Embedding [86.3361797111839]
  領域適応法は、2つの領域間の分布がシフトし、それを認識しようとすると仮定する。 グラフ埋め込みに基づく汎用フレームワークを提案する。 提案手法が強力なドメイン適応フレームワークにつながることを示す。
  論文  参考訳（メタデータ） (2020-03-09T12:25:13Z)

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。