Learn to Ignore: Domain Adaptation for Multi-Site MRI Analysis

要約

大規模な画像データセットの利用が限られていることは、主にデータプライバシーや撮影プロトコルやハードウェアの違いによるものであり、医療における正確かつ一般化可能な機械学習手法の開発において重要な問題である。特に磁気共鳴（MR）画像の場合、MRスキャナの違いによって機械学習モデルの性能を制限するバイアスが発生するため、この問題は深刻である。我々は、潜在空間に特定の追加制約を導入することで、MR画像に存在するスキャナ関連特徴を無視するように学習する新しい方法を提示する。本論文では、実世界の分類シナリオに焦点を当て、少数のデータセットが全てのクラスの画像を提供することに着目する。本手法は、多発性硬化症患者と健常対照者の間の分類課題において、多施設MRデータセットにおいて、最新の領域適応法を上回る性能を示した。

要約(オリジナル)

The limited availability of large image datasets, mainly due to data privacy and differences in acquisition protocols or hardware, is a significant issue in the development of accurate and generalizable machine learning methods in medicine. This is especially the case for Magnetic Resonance (MR) images, where different MR scanners introduce a bias that limits the performance of a machine learning model. We present a novel method that learns to ignore the scanner-related features present in MR images, by introducing specific additional constraints on the latent space. We focus on a real-world classification scenario, where only a small dataset provides images of all classes. Our method \textit{Learn to Ignore (L2I)} outperforms state-of-the-art domain adaptation methods on a multi-site MR dataset for a classification task between multiple sclerosis patients and healthy controls.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL