論文の概要: Few-Shot Cross-Dataset Adaptation for Tuberculosis Detection Using DenseNet
- arxiv url: http://arxiv.org/abs/2608.21427v1
- Date: Sun, 16 Aug 2026 19:04:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 18:24:36.901031
- Title: Few-Shot Cross-Dataset Adaptation for Tuberculosis Detection Using DenseNet
- Title（参考訳）: DenseNetを用いた結核検出のためのFew-Shotクロスデータセット適応
- Abstract要約: 深層学習モデルは、胸部X線からかなり正確に結核を検出することができる。
データセット間の厳しいドメインシフトは、そのタスクを難しくします。
実世界の設定では、モデルはひとつのデータセットでうまく機能するが、別のデータセットでテストすると顕著なパフォーマンス低下を示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Tuberculosis (TB) is one of the most common and dangerous bacterial ailments. Every year, it causes a large number of deaths worldwide. Although many deep learning models can detect tuberculosis from chest X-rays quite accurately, severe domain shift across datasets makes the task challenging. Different imaging protocols, patient demographics, and equipment across domains make the task of generalization difficult. In real-world settings, a model may perform well on one dataset but show a noticeable drop in performance when tested on another. In this work, we address this domain adaptation challenge through a few-shot scaling study. A controlled cross-dataset evaluation is presented in this paper using TBX11K as the source domain and the Mendeley TB dataset as the target domain. It is investigated how varying the number of target samples affects model performance under three training regimes: frozen backbone adaptation, full fine-tuning of a source-pretrained DenseNet121 model, and training from scratch. The results indicate that the model can perform well even with limited data and can achieve 98.36\% accuracy with just 75 labeled samples per class. The adaptation curves demonstrate how fine-tuning effectively mitigates domain shift. These findings establish full fine-tuning of pretrained models as a highly effective and practical strategy for mitigating domain shift in low-resource clinical deployment scenarios.
- Abstract（参考訳）: 結核(TB)は、最も一般的で危険な細菌性疾患の1つである。
毎年、世界中で多くの死者が出ている。
多くのディープラーニングモデルは胸部X線から結核をかなり正確に検出できるが、データセット間のドメインシフトは難しい。
異なる画像プロトコル、患者人口、領域横断の機器は、一般化のタスクを困難にしている。
実世界の設定では、モデルはひとつのデータセットでうまく機能するが、別のデータセットでテストすると顕著なパフォーマンス低下を示す。
本研究では,この領域適応の課題を,数ショットのスケーリングスタディを通じて解決する。
本稿では,TBX11Kをソースドメインとし,Mendley TBデータセットをターゲットドメインとするクロスデータセット評価について述べる。
本研究は,3つのトレーニング体制下において,ターゲットサンプル数の変化がモデル性能に与える影響について検討した。
結果は,モデルが限られたデータでも良好に動作し,クラス当たり75個のラベル付きサンプルで98.36\%の精度を達成できることを示唆している。
適応曲線は、微調整がドメインシフトを効果的に緩和することを示す。
これらの結果から,低リソースのクリニカル展開シナリオにおけるドメインシフトを緩和するための高効率かつ実用的な戦略として,事前学習モデルの完全な微調整が確立された。
関連論文リスト
- Dataset-Origin Signatures and Shortcut Learning in Screening Mammography AI: A Cross-Dataset Case Study [0.0]
異常に富んだ外部データセットから生検確認された症例を補足すると,性能が向上するかどうかを検討した。
我々は,Mammo-CLIP重み付き効率の良いNet-B5エンコーダを,一貫した前処理下で凍結線形プローブとして評価した。
論文 参考訳（メタデータ） (2026-07-16T19:41:48Z) - Developing a Strong Pre-Trained Base Model for Plant Leaf Disease Classification [0.0]
この論文は、植物葉病を分類するために、DenseNet201アーキテクチャに基づいた新しいベースモデルをトレーニングすることを目的としている。
植物葉病分類の分野のためのオープンデータセットと、それらに基づいてトレーニングできるモデルが同定されている。
論文 参考訳（メタデータ） (2026-05-02T06:33:38Z) - Weakly supervised deep learning model with size constraint for prostate cancer detection in multiparametric MRI and generalization to unseen domains [0.90668179713299]
本モデルでは, 完全教師付きベースラインモデルにより, オンパー性能が向上することを示す。
また、未確認データドメインでテストした場合、完全に教師付きモデルと弱い教師付きモデルの両方のパフォーマンス低下も観察する。
論文 参考訳（メタデータ） (2024-11-04T12:24:33Z) - 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) - SALUDA: Surface-based Automotive Lidar Unsupervised Domain Adaptation [62.889835139583965]
我々は、ソースデータとターゲットデータに基づいて、暗黙の基盤となる表面表現を同時に学習する教師なし補助タスクを導入する。
両方のドメインが同じ遅延表現を共有しているため、モデルは2つのデータソース間の不一致を許容せざるを得ない。
実験の結果,本手法は実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-
論文 参考訳（メタデータ） (2023-04-06T17:36:23Z) - Stacking Ensemble Learning in Deep Domain Adaptation for Ophthalmic
Image Classification [61.656149405657246]
ドメイン適応は、十分なラベルデータを取得することが困難な画像分類タスクに有効である。
本稿では,3つのドメイン適応手法を拡張することで,アンサンブル学習を積み重ねるための新しい手法SELDAを提案する。
Age-Related Eye Disease Study (AREDS)ベンチマーク眼科データセットを用いた実験結果から,提案モデルの有効性が示された。
論文 参考訳（メタデータ） (2022-09-27T14:19:00Z) - Systematic investigation into generalization of COVID-19 CT deep
learning models with Gabor ensemble for lung involvement scoring [9.94980188821453]
本研究は,COVID-19 CTデータを用いたキーパブリッシュモデルの一般化可能性について検討する。
次に、独立した新しいデータセットを使用して、新型コロナウイルスの重症度に関するこれらのモデルの予測能力を評価する。
論文 参考訳（メタデータ） (2021-04-20T03:49:48Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - Dataset Cartography: Mapping and Diagnosing Datasets with Training
Dynamics [118.75207687144817]
我々はデータセットを特徴付け、診断するモデルベースのツールであるData Mapsを紹介した。
私たちは、トレーニング中の個々のインスタンス上でのモデルの振る舞いという、ほとんど無視された情報のソースを活用しています。
以上の結果から,データ量から品質へのフォーカスの変化は,ロバストなモデルとアウト・オブ・ディストリビューションの一般化に繋がる可能性が示唆された。
論文 参考訳（メタデータ） (2020-09-22T20:19:41Z) - Cross-Domain Segmentation with Adversarial Loss and Covariate Shift for
Biomedical Imaging [2.1204495827342438]
本論文は,異なるモダリティから異なるパターンと共有パターンをカプセル化することにより,ドメイン間データから堅牢な表現を学習できる新しいモデルの実現を目的とする。
正常な臨床試験で得られたCTおよびMRI肝データに対する試験は、提案したモデルが他のすべてのベースラインを大きなマージンで上回っていることを示している。
論文 参考訳（メタデータ） (2020-06-08T07:35:55Z) - Deep Mining External Imperfect Data for Chest X-ray Disease Screening [57.40329813850719]
我々は、外部のCXRデータセットを組み込むことで、不完全なトレーニングデータにつながると論じ、課題を提起する。
本研究は,多ラベル病分類問題を重み付き独立二分課題として分類する。
我々のフレームワークは、ドメインとラベルの相違を同時にモデル化し、対処し、優れた知識マイニング能力を実現する。
論文 参考訳（メタデータ） (2020-06-06T06:48:40Z)
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。