Data Augmentation-Based Unsupervised Domain Adaptation In Medical Imaging

要約

医用画像処理における深層学習ベースのモデルは、ハードウェア、取得パラメータ、母集団、アーティファクトの違いから生じるデータの異質性により、新しいスキャンに効果的に一般化するのに苦労することがよくあります。
この制限は、臨床現場で機械学習モデルを導入する際に大きな課題となります。
我々は、MRI 固有の拡張技術を活用することにより、脳 MRI セグメンテーションにおけるロバストなドメイン適応のための教師なし手法を提案します。
私たちの手法の有効性を評価するために、さまざまなデータセット、モダリティ、セグメンテーション タスクにわたって広範な実験を実施し、最先端の手法と比較します。
結果は、私たちが提案したアプローチが高精度を達成し、幅広い適用性を示し、さまざまな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、ほとんどの場合で最先端のパフォーマンスを上回っていることを示しています。

要約(オリジナル)

Deep learning-based models in medical imaging often struggle to generalize effectively to new scans due to data heterogeneity arising from differences in hardware, acquisition parameters, population, and artifacts. This limitation presents a significant challenge in adopting machine learning models for clinical practice. We propose an unsupervised method for robust domain adaptation in brain MRI segmentation by leveraging MRI-specific augmentation techniques. To evaluate the effectiveness of our method, we conduct extensive experiments across diverse datasets, modalities, and segmentation tasks, comparing against the state-of-the-art methods. The results show that our proposed approach achieves high accuracy, exhibits broad applicability, and showcases remarkable robustness against domain shift in various tasks, surpassing the state-of-the-art performance in the majority of cases.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google