Unsupervised Domain Adaptation Using Feature Disentanglement And GCNs For Medical Image Classification

要約

深層学習の成功は、多くの医療画像分析タスクの新しいベンチマークを設定しました。
ただし、トレーニング（ソース）データとテスト（ターゲット）データの間に分布のシフトがある場合、ディープモデルは一般化できないことがよくあります。
分布のシフトに対抗するために一般的に使用される1つの方法は、ドメインの適応です。ターゲットドメインからのサンプルを使用して、シフトされた分布を説明する方法を学習します。
この作業では、グラフニューラルネットワークと、解きほぐされたセマンティックおよびドメイン不変の構造的特徴を使用する教師なしドメイン適応アプローチを提案し、分布シフト全体のパフォーマンスを向上させます。
より識別力のある機能を取得するために、スワップされたオートエンコーダーの拡張を提案します。
分布シフトを伴う2つの挑戦的な医用画像データセット（多中心胸部X線画像と組織病理学的画像）で分類のために提案された方法をテストします。
実験は、私たちの方法が他のドメイン適応方法と比較して最先端の結果を達成することを示しています。

要約(オリジナル)

The success of deep learning has set new benchmarks for many medical image analysis tasks. However, deep models often fail to generalize in the presence of distribution shifts between training (source) data and test (target) data. One method commonly employed to counter distribution shifts is domain adaptation: using samples from the target domain to learn to account for shifted distributions. In this work we propose an unsupervised domain adaptation approach that uses graph neural networks and, disentangled semantic and domain invariant structural features, allowing for better performance across distribution shifts. We propose an extension to swapped autoencoders to obtain more discriminative features. We test the proposed method for classification on two challenging medical image datasets with distribution shifts – multi center chest Xray images and histopathology images. Experiments show our method achieves state-of-the-art results compared to other domain adaptation methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google