論文の概要: A Robust Unsupervised Domain Adaptation Framework for Medical Image Classification Using RKHS-MMD

• arxiv url: http://arxiv.org/abs/2605.03787v1
• Date: Tue, 05 May 2026 14:14:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:43.964839
• Title: A Robust Unsupervised Domain Adaptation Framework for Medical Image Classification Using RKHS-MMD
• Title（参考訳）: RKHS-MMDを用いた医用画像分類のためのロバストな教師なしドメイン適応フレームワーク
• Authors: Sapna Sachan, Rakesh Kumar Sanodiya, Amulya Kumar Mahto,
• Abstract要約: 医療画像のラベル付けは医療画像の分野で大きなボトルネックとなっている。 本稿では、転送学習と再生カーネル空間に基づく最大平均離散性損失を組み合わせた教師なしドメイン適応フレームワークを提案する。 RKHS-MMDは、標準の最大平均差よりも、モダリティギャップの低減に優れた性能を示す。
• 参考スコア（独自算出の注目度）: 0.9634859579172255
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Labeling medical images is a major bottleneck in the field of medical imaging, as it requires domain-specific expertise, and it gets further complicated due to variability across different medical centers and different imaging devices. Such heterogeneity introduces domain shifts and modality discrepancies, which limits the generalization of trained models. To address this important challenge, we propose an unsupervised domain adaptation framework that combines transfer learning with a Reproducing Kernel Hilbert Space based Maximum Mean Discrepancy loss for the alignment of source and target domains. By jointly optimizing classification and RKHS-MMD losses, the methodology enhances generalization to unannotated medical datasets while diminishing reliance on manual annotation. Experimental evaluations presented on two chest X-ray datasets, which are obtained from different medical centers, show outstanding improvements over models trained without adaptation. Furthermore, we perform a comparative study to see that RKHS-MMD performs better than the standard Maximum Mean Discrepancy in reducing modality gap, emphasizing its effectiveness for medical image classification and also its strong capability in advanced AI-driven medical diagnostics.
• Abstract（参考訳）: 医療画像のラベル付けは、ドメイン固有の専門知識を必要とするため、医療画像の分野で大きなボトルネックとなっている。 このような不均一性は、訓練されたモデルの一般化を制限する領域シフトとモダリティの相違をもたらす。 この重要な課題に対処するために、トランスファーラーニングと再生カーネルヒルベルト空間に基づく最大平均離散度損失を組み合わせた教師なしドメイン適応フレームワークを提案する。 分類とRKHS-MMDの損失を共同で最適化することにより、手動アノテーションへの依存を減らしながら、無注釈の医療データセットへの一般化を促進する。 異なる医療センターから得られた2つの胸部X線データセットに対する実験的評価は、適応なしに訓練されたモデルよりも優れた改善を示した。 さらに、RKHS-MMDは、医用画像分類におけるその有効性と高度なAI駆動型医療診断における強力な能力を強調し、モダリティギャップを低減する上で、標準の最大平均差よりも優れた性能を発揮することを確認するために比較研究を行った。

関連論文リスト

• Fine-Tuning Cycle-GAN for Domain Adaptation of MRI Images [0.28675177318965045]
  本稿では,教師なし医療画像領域適応のためのサイクロンGANモデルを提案する。 本モデルでは,トレーニングデータをペア化せずに,ソースドメインとターゲットドメイン間の双方向マッピングを学習する。 MRIデータセットによるいくつかの実験では、ラベル付きデータ無しの双方向領域適応において、我々のモデルの有効性が示された。
  論文  参考訳（メタデータ） (2026-01-18T17:50:00Z)
• Multimodal Causal-Driven Representation Learning for Generalizable Medical Image Segmentation [56.52520416420957]
  医用画像セグメンテーションにおける領域一般化に取り組むために, MCDRL(Multimodal Causal-Driven Representation Learning)を提案する。 MCDRLは競合する手法より一貫して優れ、セグメンテーション精度が優れ、堅牢な一般化性を示す。
  論文  参考訳（メタデータ） (2025-08-07T03:41:41Z)
• FODA-PG for Enhanced Medical Imaging Narrative Generation: Adaptive Differentiation of Normal and Abnormal Attributes [26.912139217120874]
  FODA-PGは, 組織-分散適応分割グラフフレームワークである。 FODA-PGは、疾患関連属性を別々に「病原性」と「病原性」のカテゴリーに分けることで、放射線学的所見の詳細な表現を構築している。 この微細なセマンティック知識を強力なトランスフォーマーベースのアーキテクチャに統合することにより、FODA-PGは正確かつ臨床的に一貫性のあるレポートを生成する。
  論文  参考訳（メタデータ） (2024-09-06T00:04:35Z)
• Cross-Modal Domain Adaptation in Brain Disease Diagnosis: Maximum Mean Discrepancy-based Convolutional Neural Networks [0.0]
  脳障害は世界の健康にとって大きな課題であり、毎年何百万人もの死者を出している。 これらの疾患の正確な診断は、MRIやCTのような高度な医療画像技術に大きく依存している。 注釈付きデータの不足は、診断のための機械学習モデルをデプロイする上で大きな課題となる。
  論文  参考訳（メタデータ） (2024-05-06T07:44:46Z)
• Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
  本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。 提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。 医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-03-19T09:28:19Z)
• DGM-DR: Domain Generalization with Mutual Information Regularized Diabetic Retinopathy Classification [40.35834579068518]
  トレーニングとテストデータのドメインシフトは、一般的なディープラーニングモデルをトレーニングする上で大きな課題となる。 医用画像領域に事前訓練されたモデルとしてモデル目的関数を再確立するDG法を提案する。 提案手法は,従来の最先端技術よりも平均精度5.25%,標準偏差が低い。
  論文  参考訳（メタデータ） (2023-09-18T11:17:13Z)
• 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)
• Data Augmentation-Based Unsupervised Domain Adaptation In Medical Imaging [0.709016563801433]
  脳MRI領域分割における堅牢な領域適応のための教師なし手法を提案する。 その結果,提案手法は高い精度を実現し,幅広い適用性を示し,各種タスクにおけるドメインシフトに対する顕著な堅牢性を示した。
  論文  参考訳（メタデータ） (2023-08-08T17:00:11Z)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)

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。