論文の概要: Domain Adaptation Techniques for Natural and Medical Image Classification

• arxiv url: http://arxiv.org/abs/2508.20537v1
• Date: Thu, 28 Aug 2025 08:27:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-29 18:12:02.221129
• Title: Domain Adaptation Techniques for Natural and Medical Image Classification
• Title（参考訳）: 自然・医用画像分類のための領域適応技術
• Authors: Ahmad Chaddad, Yihang Wu, Reem Kateb, Christian Desrosiers,
• Abstract要約: ドメイン適応(DA)技術は、ソースドメインの情報を活用することにより、トレーニングとテストセット間の分散の差異を軽減する可能性がある。 本研究は,5つの自然および8つの医学データセットにおける画像分類に広く用いられている7つのDA技術を用いて,57個のシミュレーション研究を行う。
• 参考スコア（独自算出の注目度）: 13.4328510419792
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Domain adaptation (DA) techniques have the potential in machine learning to alleviate distribution differences between training and test sets by leveraging information from source domains. In image classification, most advances in DA have been made using natural images rather than medical data, which are harder to work with. Moreover, even for natural images, the use of mainstream datasets can lead to performance bias. {With the aim of better understanding the benefits of DA for both natural and medical images, this study performs 557 simulation studies using seven widely-used DA techniques for image classification in five natural and eight medical datasets that cover various scenarios, such as out-of-distribution, dynamic data streams, and limited training samples.} Our experiments yield detailed results and insightful observations highlighting the performance and medical applicability of these techniques. Notably, our results have shown the outstanding performance of the Deep Subdomain Adaptation Network (DSAN) algorithm. This algorithm achieved feasible classification accuracy (91.2\%) in the COVID-19 dataset using Resnet50 and showed an important accuracy improvement in the dynamic data stream DA scenario (+6.7\%) compared to the baseline. Our results also demonstrate that DSAN exhibits remarkable level of explainability when evaluated on COVID-19 and skin cancer datasets. These results contribute to the understanding of DA techniques and offer valuable insight into the effective adaptation of models to medical data.
• Abstract（参考訳）: ドメイン適応(DA)技術は、ソースドメインの情報を活用することにより、トレーニングとテストセット間の分散差異を軽減する機械学習の可能性を秘めている。 画像分類において、DAのほとんどの進歩は、医療データではなく自然画像を用いて行われており、これは作業が困難である。 さらに、自然なイメージであっても、主流データセットの使用はパフォーマンスバイアスにつながる可能性がある。 自然画像と医用画像の両方に対するDAの利点をよりよく理解することを目的として,本研究では,分布外,動的データストリーム,限られたトレーニングサンプルなど,さまざまなシナリオをカバーする5つの自然画像と8つの医学データセットにおいて,広く使用されているDA技術を用いて57個のシミュレーション研究を行った。 }本実験は,これらの技術の性能と医療応用性を明らかにするための詳細な結果と洞察に富んだ観察結果を得た。 特に,本研究の結果は,Deep Sub Domain Adaptation Network (DSAN) アルゴリズムの優れた性能を示すものである。 このアルゴリズムは、Resnet50を用いて、新型コロナウイルスデータセットで可能な分類精度(91.2\%)を達成し、ベースラインと比較して、動的データストリームDAシナリオ(+6.7\%)において重要な精度向上を示した。 また, DSANは, 新型コロナウイルスおよび皮膚がんデータセットを用いて, 顕著な説明性を示した。 これらの結果は,DA手法の理解に寄与し,医療データへのモデルの有効性に関する貴重な知見を提供する。

関連論文リスト

• Towards Better Cephalometric Landmark Detection with Diffusion Data Generation [43.381003080365254]
  本研究では,人間の介入を伴わない,多様な頭部X線画像とそれに対応するアノテーションを生成できる革新的なデータ生成手法を開発した。 詳細なプロンプトを活用することで,異なるスタイルや属性を制御できるように生成プロセスを改善する。 生成したデータを使用しない手法と比較して,SDR(Success Detection Rate)が6.5%向上し,82.2%が顕著となった。
  論文  参考訳（メタデータ） (2025-05-09T13:50:27Z)
• Evolution-aware VAriance (EVA) Coreset Selection for Medical Image Classification [37.57407966808067]
  進化対応可変(EVA)と呼ばれる新しいコアセット選択戦略を提案する。 EVAは10%のトレーニングデータで98.27%の精度を達成しているが、完全なトレーニングセットでは97.20%である。
  論文  参考訳（メタデータ） (2024-06-09T07:22:50Z)
• DG-TTA: Out-of-domain Medical Image Segmentation through Augmentation and Descriptor-driven Domain Generalization and Test-Time Adaptation [43.842694540544194]
  ドメイン外の画像に事前訓練された深層学習セグメンテーションモデルを適用すると、品質の不足を予測できる。 本研究では、拡張とともに強力な一般化記述子を用いて、ドメイン一般化事前学習とテスト時間適応を実現することを提案する。
  論文  参考訳（メタデータ） (2023-12-11T10:26:21Z)
• Enhancing and Adapting in the Clinic: Source-free Unsupervised Domain Adaptation for Medical Image Enhancement [34.11633495477596]
  ソースレス非教師なし領域適応医療画像強調法(SAME)を提案する。 構造化学習データからロバストなソースモデルを学習するために,まず構造保存強化ネットワークを構築した。 強化タスクの知識蒸留を促進するために擬似ラベルピッカーを開発した。
  論文  参考訳（メタデータ） (2023-12-03T10:01:59Z)
• 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)
• MedFMC: A Real-world Dataset and Benchmark For Foundation Model Adaptation in Medical Image Classification [41.16626194300303]
  ファンデーションモデルは、多くの場合、大規模なデータで事前訓練されているが、様々なビジョンや言語アプリケーションのジャンプ開始において、最も成功している。 最近の進歩により、下流タスクにおける基礎モデルの適応は、少数のトレーニングサンプルだけで効率的に行えるようになった。 しかし, 医用画像解析におけるそのような学習パラダイムの適用は, 一般に公開されているデータやベンチマークが不足しているため, 依然として少ない。
  論文  参考訳（メタデータ） (2023-06-16T01:46:07Z)
• Performance of GAN-based augmentation for deep learning COVID-19 image classification [57.1795052451257]
  ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。 データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。 本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
  論文  参考訳（メタデータ） (2023-04-18T15:39:58Z)
• GSDA: Generative Adversarial Network-based Semi-Supervised Data Augmentation for Ultrasound Image Classification [8.554511144730387]
  医用超音波(英語: Medical Ultrasound、略称:US)は、臨床において最も広く用いられる画像のモダリティの一つである。 ディープラーニング(DL)モデルは、先進的な米国の画像分析ツールとして機能するが、大規模なデータセットの不足により、その性能は大幅に制限される。 我々はGANに基づく半教師付きデータ拡張法を開発した。
  論文  参考訳（メタデータ） (2022-03-11T16:52:14Z)
• Enhanced Transfer Learning Through Medical Imaging and Patient Demographic Data Fusion [0.0]
  画像特徴と関連する非画像データとを組み合わせた医療画像データの分類における性能向上について検討した。 特徴抽出器として直接使用し,対象領域に微調整を施したImageNetで事前訓練したネットワークを用いた転送学習を利用する。
  論文  参考訳（メタデータ） (2021-11-29T09:11:52Z)

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。