DGM-DR: Domain Generalization with Mutual Information Regularized Diabetic Retinopathy Classification

要約

トレーニング データとテスト データの間のドメインの移行は、一般化可能な深層学習モデルのトレーニングに大きな課題をもたらします。
その結果、独立かつ同一分散 (i.i.d) の仮定でトレーニングされたモデルは、現実世界に展開するとパフォーマンスが低下します。
この問題は、医療画像処理の分野では、臨床センター、医療機器、患者ごとにデータ収集が異なるため、さらに悪化します。
ドメイン一般化 (DG) は、目に見えないターゲット ドメインに適切に一般化するモデルを学習することで、この問題に対処することを目的としています。
ドメイン汎化手法の多くは、ドメインのシフトが大きいため、ドメイン不変表現の学習に失敗していました。
さらに、医療画像処理における複数のタスクは、DG の観点から見ると、既存の文献ではまだ十分に研究されていません。
本稿では、大規模な事前学習モデルによる相互情報量の最大化としてモデルの目的関数を再構築するDG手法を医用画像分野に導入します。
糖尿病性網膜症（DR）分類における DG の問題を再検討し、正しいモデル選択戦略による明確なベンチマークを確立し、一般化を改善するための堅牢なドメイン不変表現を実現します。
さらに、公開データセットで広範な実験を実施し、提案した手法が平均精度で 5.25% のマージンと低い標準偏差で以前の最先端手法を常に上回っていることを示しています。
ソースコードは https://github.com/BioMedIA-MBZUAI/DGM-DR で入手できます

要約(オリジナル)

The domain shift between training and testing data presents a significant challenge for training generalizable deep learning models. As a consequence, the performance of models trained with the independent and identically distributed (i.i.d) assumption deteriorates when deployed in the real world. This problem is exacerbated in the medical imaging context due to variations in data acquisition across clinical centers, medical apparatus, and patients. Domain generalization (DG) aims to address this problem by learning a model that generalizes well to any unseen target domain. Many domain generalization techniques were unsuccessful in learning domain-invariant representations due to the large domain shift. Furthermore, multiple tasks in medical imaging are not yet extensively studied in existing literature when it comes to DG point of view. In this paper, we introduce a DG method that re-establishes the model objective function as a maximization of mutual information with a large pretrained model to the medical imaging field. We re-visit the problem of DG in Diabetic Retinopathy (DR) classification to establish a clear benchmark with a correct model selection strategy and to achieve robust domain-invariant representation for an improved generalization. Moreover, we conduct extensive experiments on public datasets to show that our proposed method consistently outperforms the previous state-of-the-art by a margin of 5.25% in average accuracy and a lower standard deviation. Source code available at https://github.com/BioMedIA-MBZUAI/DGM-DR

arxiv情報

提供元, 利用サービス

arxiv.jp, Google