Multi-domain improves out-of-distribution and data-limited scenarios for medical image analysis

要約

現在の医用画像解析のための機械学習手法は、主にターゲット領域内のデータを利用して、特定のタスクに合わせたモデルを開発することに重点を置いている。このような特化されたモデルは、データを大量に消費する傾向があり、しばしば分布外のサンプルに対する汎化に限界を示す。本研究では、特化されたモデルではなく、複数のドメインを組み込んだモデルを採用することで、特化されたモデルに見られる限界が大幅に緩和されることを示す。このアプローチをマルチドメインモデルと呼び、その性能を特化モデルと比較する。そのために、X線画像、MRI画像、CT画像、超音波画像などの異なる画像モダリティや、アキシャルビュー、コロナルビュー、サジタルビューなどの様々な視点を含む、多様な医用画像ドメインの組み込みを紹介する。我々の発見は、特に医療アプリケーションで頻繁に遭遇する、データの利用可能性が限られ、分布外であることを特徴とするシナリオにおいて、マルチドメインモデルの優れた汎化能力を強調するものである。多様なデータを統合することで、マルチドメインモデルがドメインにまたがる情報を利用できるようになり、全体的な成果が大幅に向上する。例を挙げると、臓器認識では、マルチドメインモデルは従来の特化型モデルと比較して、精度を最大8％向上させることができる。

要約(オリジナル)

Current machine learning methods for medical image analysis primarily focus on developing models tailored for their specific tasks, utilizing data within their target domain. These specialized models tend to be data-hungry and often exhibit limitations in generalizing to out-of-distribution samples. In this work, we show that employing models that incorporate multiple domains instead of specialized ones significantly alleviates the limitations observed in specialized models. We refer to this approach as multi-domain model and compare its performance to that of specialized models. For this, we introduce the incorporation of diverse medical image domains, including different imaging modalities like X-ray, MRI, CT, and ultrasound images, as well as various viewpoints such as axial, coronal, and sagittal views. Our findings underscore the superior generalization capabilities of multi-domain models, particularly in scenarios characterized by limited data availability and out-of-distribution, frequently encountered in healthcare applications. The integration of diverse data allows multi-domain models to utilize information across domains, enhancing the overall outcomes substantially. To illustrate, for organ recognition, multi-domain model can enhance accuracy by up to 8% compared to conventional specialized models.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL