論文の概要: Impact of domain adaptation in deep learning for medical image classifications

• arxiv url: http://arxiv.org/abs/2602.09355v1
• Date: Tue, 10 Feb 2026 02:59:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-11 20:17:43.342638
• Title: Impact of domain adaptation in deep learning for medical image classifications
• Title（参考訳）: 医用画像分類における深層学習におけるドメイン適応の影響
• Authors: Yihang Wu, Ahmad Chaddad,
• Abstract要約: ドメイン適応(DA)は、あるドメインでトレーニングされたモデルを他のドメインでうまく機能させるために調整することを含む、機械学習における急速に拡大する領域である。 一般的なDA手法をシミュレートするために10のディープラーニングモデルを使用し、4つの医用画像データセットでそれらの応用を探索する。
• 参考スコア（独自算出の注目度）: 6.844618776091757
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Domain adaptation (DA) is a quickly expanding area in machine learning that involves adjusting a model trained in one domain to perform well in another domain. While there have been notable progressions, the fundamental concept of numerous DA methodologies has persisted: aligning the data from various domains into a shared feature space. In this space, knowledge acquired from labeled source data can improve the model training on target data that lacks sufficient labels. In this study, we demonstrate the use of 10 deep learning models to simulate common DA techniques and explore their application in four medical image datasets. We have considered various situations such as multi-modality, noisy data, federated learning (FL), interpretability analysis, and classifier calibration. The experimental results indicate that using DA with ResNet34 in a brain tumor (BT) data set results in an enhancement of 4.7\% in model performance. Similarly, the use of DA can reduce the impact of Gaussian noise, as it provides $\sim 3\%$ accuracy increase using ResNet34 on a BT dataset. Furthermore, simply introducing DA into FL framework shows limited potential (e.g., $\sim 0.3\%$ increase in performance) for skin cancer classification. In addition, the DA method can improve the interpretability of the models using the gradcam++ technique, which offers clinical values. Calibration analysis also demonstrates that using DA provides a lower expected calibration error (ECE) value $\sim 2\%$ compared to CNN alone on a multi-modality dataset.
• Abstract（参考訳）: ドメイン適応(DA)は、あるドメインでトレーニングされたモデルを他のドメインでうまく機能させるために調整することを含む、機械学習における急速に拡大する領域である。 注目すべき進歩はあったが、多数のDA方法論の基本的な概念は、様々なドメインからのデータを共有機能空間に整列させることである。 この領域では、ラベル付きソースデータから得られた知識は、十分なラベルを持たないターゲットデータに対するモデルトレーニングを改善することができる。 本研究では,一般的なDA手法をシミュレートするために10種類のディープラーニングモデルを用い,その応用を4つの医用画像データセットで検証する。 我々は,多モード性,ノイズデータ,フェデレートラーニング(FL),解釈可能性分析,分類器校正など,さまざまな状況について検討してきた。 実験の結果,脳腫瘍(BT)データセットにResNet34とDAを用いることで,モデル性能が4.7\%向上することが示唆された。 同様にDAの使用は、BTデータセット上でResNet34を使用して$\sim 3\%$の精度向上を提供するため、ガウスノイズの影響を低減することができる。 さらに, FL フレームワークに DA を導入するだけで, 皮膚がんの分類に限られた可能性 (例えば$\sim 0.3\%$ ) が認められる。 さらに、DA法は、臨床値を提供するgradcam++技術を用いてモデルの解釈可能性を向上させることができる。 キャリブレーション分析はまた、DAを使用することで、マルチモーダルデータセット上のCNN単独と比較して、期待されるキャリブレーション誤差(ECE)が$\sim 2\%$より低いことを示している。

関連論文リスト

• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• Benchmarking Foundation Models for Mitotic Figure Classification [0.37334049820361814]
  自己教師付き学習技術は、大規模なニューラルネットワークのトレーニングに大量のラベルのないデータを使用することを可能にした。 本研究では,ミオティックフィギュア分類における基礎モデルの利用について検討する。 我々は、すべてのモデルと、CNNとVision Transformerの両方のエンドツーエンドトレーニングベースラインを比較した。
  論文  参考訳（メタデータ） (2025-08-06T13:30:40Z)
• A domain adaptation neural network for digital twin-supported fault diagnosis [0.0]
  ディジタル双生児は、ディープラーニングベースの障害診断に十分なラベル付きデータがないという、有望な解決策を提供する。 シミュレーションと実世界のシステムとの相違は、モデルが実際のシナリオに適用された場合、パフォーマンスを著しく低下させる可能性がある。 本稿では,シミュレーションから実世界のデータへの知識伝達を可能にする,DANN(Domain-Adversarial Neural Networks)に基づく故障診断フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-27T11:27:05Z)
• NeuroADDA: Active Discriminative Domain Adaptation in Connectomic [3.241925400160274]
  我々は、最適なドメイン選択とソース不要なアクティブラーニングを組み合わせて、トレーニング済みのバックボーンを新しいデータセットに適応させる方法であるNeuroADDAを紹介する。 NeuroADDAは、さまざまなデータセットと微調整されたサンプルサイズで、スクラッチからトレーニングを一貫して上回る。
  論文  参考訳（メタデータ） (2025-03-08T12:40:30Z)
• Exploring the Efficacy of Meta-Learning: Unveiling Superior Data Diversity Utilization of MAML Over Pre-training [1.3980986259786223]
  データセットの多様性が視覚モデルの性能に影響を及ぼすことを示す。 本研究は,テストセットの精度とデータの多様性との間に正の相関関係を示す。 これらの結果は我々の仮説を支持し、形式的なデータの多様性がモデルの性能にどのように影響するかをより深く探究するための有望な方法を示す。
  論文  参考訳（メタデータ） (2025-01-15T00:56:59Z)
• Geodesic Optimization for Predictive Shift Adaptation on EEG data [53.58711912565724]
  ドメイン適応メソッドは、$X$と$y$で分散シフトが同時に発生したときに苦労する。 本稿では,GOPSA(Geodesic Optimization for Predictive Shift Adaptation)と呼ばれる新しい手法を提案する。 GOPSAは、脳波のバイオメディカル応用のための混合効果モデリングと機械学習を併用する可能性を持っている。
  論文  参考訳（メタデータ） (2024-07-04T12:15:42Z)
• Few-shot learning for COVID-19 Chest X-Ray Classification with Imbalanced Data: An Inter vs. Intra Domain Study [49.5374512525016]
  医療画像データセットは、コンピュータ支援診断、治療計画、医学研究に使用される訓練モデルに不可欠である。 データ分散のばらつき、データの不足、ジェネリックイメージから事前トレーニングされたモデルを使用する場合の転送学習の問題などである。 本稿では,データ不足と分散不均衡の影響を軽減するために,一連の手法を統合したシームズニューラルネットワークに基づく手法を提案する。
  論文  参考訳（メタデータ） (2024-01-18T16:59:27Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Towards Understanding How Data Augmentation Works with Imbalanced Data [17.478900028887537]
  本稿では,データ拡張が3つの異なる分類器,畳み込みニューラルネットワーク,サポートベクトルマシン,ロジスティック回帰モデルに与える影響について検討する。 本研究は,不均衡データに適用した場合,モデル重み,サポートベクトル,特徴選択に大きな変化が生じることを示す。 DAはデータの分散を促進することによって機能し、機械学習モデルがデータの変化とラベルを関連付けることができる、という仮説を立てる。
  論文  参考訳（メタデータ） (2023-04-12T15:01:22Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)

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。