SL: Stable Learning in Source-Free Domain Adaption for Medical Image Segmentation

要約

医用画像分析のための深層学習技術は、通常、ソース データとターゲット データの間のドメインのシフトに悩まされます。
既存の研究のほとんどは、教師なしドメイン適応 (UDA) に焦点を当てています。
ただし、実際のアプリケーションでは、プライバシーの問題はさらに深刻になります。
たとえば、機器の問題により異なる病院のデータにドメインのシフトがあり、プライバシーのため 2 つのドメインのデータを同時に利用することはできません。
Source-Free UDA と定義されるこの課題では、これまでの UDA 医療手法には限界があります。
さまざまな医療ソースフリーの教師なしドメイン適応 (MSFUDA) 手法が提案されていますが、それらは「トレーニングが長くなるにつれてパフォーマンスが低下する」と呼ばれる過剰適合のジレンマに陥っていることがわかりました。
したがって、このジレンマに対処するために、安定学習 (SL) 戦略を提案します。
SL はスケーラブルな手法であり、重み統合とエントロピー増加で構成される他の研究と統合できます。
まず、重み統合を適用してドメイン不変の知識を保持し、次に過剰学習を避けるためにエントロピー増加を設計します。
比較実験によりSLの有効性が実証されました。
私たちは広範囲にわたるアブレーション実験も行ってきました。
他にも様々なMSFUDAメソッドを含むコードを公開していきます。

要約(オリジナル)

Deep learning techniques for medical image analysis usually suffer from the domain shift between source and target data. Most existing works focus on unsupervised domain adaptation (UDA). However, in practical applications, privacy issues are much more severe. For example, the data of different hospitals have domain shifts due to equipment problems, and data of the two domains cannot be available simultaneously because of privacy. In this challenge defined as Source-Free UDA, the previous UDA medical methods are limited. Although a variety of medical source-free unsupervised domain adaption (MSFUDA) methods have been proposed, we found they fall into an over-fitting dilemma called ‘longer training, worse performance.’ Therefore, we propose the Stable Learning (SL) strategy to address the dilemma. SL is a scalable method and can be integrated with other research, which consists of Weight Consolidation and Entropy Increase. First, we apply Weight Consolidation to retain domain-invariant knowledge and then we design Entropy Increase to avoid over-learning. Comparative experiments prove the effectiveness of SL. We also have done extensive ablation experiments. Besides, We will release codes including a variety of MSFUDA methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google