Fugu-MT 論文翻訳(概要): Improving Artifact Robustness for CT Deep Learning Models Without Labeled Artifact Images via Domain Adaptation

論文の概要: Improving Artifact Robustness for CT Deep Learning Models Without Labeled Artifact Images via Domain Adaptation

arxiv url: http://arxiv.org/abs/2510.06584v1
Date: Wed, 08 Oct 2025 02:27:09 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-09 16:41:20.264555
Title: Improving Artifact Robustness for CT Deep Learning Models Without Labeled Artifact Images via Domain Adaptation
Title（参考訳）: ドメイン適応によるラベル付きアーティファクト画像のないCT深層学習モデルのアーチファクトロバスト性向上
Authors: Justin Cheung, Samuel Savine, Calvin Nguyen, Lin Lu, Alhassan S. Yasin,
Abstract要約: 本研究では,新しいアーティファクトに拘わらず,分類性能を維持するための訓練モデルとして,ドメイン適応を評価した。シングラム空間における検出ゲイン誤差から得られたリングアーティファクトをシミュレートし,OrganAMNIST腹部CTデータセットに対するベースラインおよび拡張に基づくアプローチに対して,ドメイン敵ニューラルネットワーク(DANN)を評価する。その結果, クリーンな画像のみをトレーニングしたベースラインモデルは, リングアーティファクトを持つ画像に一般化できず, 従来の歪み型による拡張は, 目に見えないアーティファクトドメインに改善を与えないことを示した。
参考スコア（独自算出の注目度）: 2.7001982817730616
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Deep learning models which perform well on images from their training distribution can degrade substantially when applied to new distributions. If a CT scanner introduces a new artifact not present in the training labels, the model may misclassify the images. Although modern CT scanners include design features which mitigate these artifacts, unanticipated or difficult-to-mitigate artifacts can still appear in practice. The direct solution of labeling images from this new distribution can be costly. As a more accessible alternative, this study evaluates domain adaptation as an approach for training models that maintain classification performance despite new artifacts, even without corresponding labels. We simulate ring artifacts from detector gain error in sinogram space and evaluate domain adversarial neural networks (DANN) against baseline and augmentation-based approaches on the OrganAMNIST abdominal CT dataset. Our results demonstrate that baseline models trained only on clean images fail to generalize to images with ring artifacts, and traditional augmentation with other distortion types provides no improvement on unseen artifact domains. In contrast, the DANN approach successfully maintains high classification accuracy on ring artifact images using only unlabeled artifact data during training, demonstrating the viability of domain adaptation for artifact robustness. The domain-adapted model achieved classification performance on ring artifact test data comparable to models explicitly trained with labeled artifact images, while also showing unexpected generalization to uniform noise. These findings provide empirical evidence that domain adaptation can effectively address distribution shift in medical imaging without requiring expensive expert labeling of new artifact distributions, suggesting promise for deployment in clinical settings where novel artifacts may emerge.
Abstract（参考訳）: トレーニング分布から画像によく作用するディープラーニングモデルは、新しい分布に適用した場合、大幅に劣化する可能性がある。 CTスキャナーがトレーニングラベルに存在しない新しいアーティファクトを導入した場合、モデルはイメージを誤分類する可能性がある。現代のCTスキャナにはこれらのアーティファクトを緩和する設計機能が含まれているが、予期せぬ、あるいは軽減し難いアーティファクトが実際に現れることがある。この新しいディストリビューションからイメージをラベル付けする直接的なソリューションは、コストがかかる可能性がある。本研究は,新たなアーティファクトに拘わらず,分類性能を訓練するモデルとしてのドメイン適応を,ラベルなしでも評価する。シングラム空間における検出ゲイン誤差から得られたリングアーティファクトをシミュレートし,OrganAMNIST腹部CTデータセットに対するベースラインおよび拡張に基づくアプローチに対して,ドメイン敵ニューラルネットワーク(DANN)を評価する。その結果, クリーンな画像のみをトレーニングしたベースラインモデルは, リングアーティファクトを用いた画像に一般化できず, 従来の歪み型による拡張は, 目に見えないアーティファクトドメインを改良するものではないことがわかった。対照的に、DANNアプローチは、トレーニング中にラベルなしアーティファクトデータのみを使用して、リングアーティファクト画像の高い分類精度を維持し、アーティファクトロバストネスに対するドメイン適応の可能性を実証する。ドメイン適応モデルは、ラベル付きアーティファクト画像で明示的に訓練されたモデルに匹敵するリングアーティファクトテストデータに対する分類性能を達成し、また、一様雑音に対する予期せぬ一般化を示した。これらの知見は、新しいアーティファクト分布の高価なラベル付けを必要とせず、領域適応が医療画像の分布シフトに効果的に対処できるという実証的な証拠を与え、新規アーティファクトが出現する可能性がある臨床環境への展開を示唆している。

論文の概要: Improving Artifact Robustness for CT Deep Learning Models Without Labeled Artifact Images via Domain Adaptation

関連論文リスト