Domain-invariant feature learning in brain MR imaging for content-based image retrieval

要約

複数の施設から脳MR画像を収集する大規模研究を行う場合、施設ごとの撮影装置やプロトコルの違いによる影響を無視することはできず、近年このドメインギャップが大きな問題となっている。本研究では、脳MR画像のコンテンツベース画像検索(CBIR)を実現するために、スタイルエンコーダ敵対的領域適応(SE-ADA)と呼ばれる新たな低次元表現(LDR)取得手法を提案する。SE-ADAは、LDRからドメイン固有の情報を分離し、敵対的学習を用いてドメインの差異を最小化することで、病理学的特徴を保持したままドメインの差異を低減する。 8つの公的脳MRデータセット（ADNI1/2/3、OASIS1/2/3/4、PPMI）を用いてSE-ADAと最近の領域調和法を比較した評価実験では、SE-ADAは元の脳構造の主要な側面を保持しながら領域情報を効果的に除去し、最も高い疾患検索精度を示した。

要約(オリジナル)

When conducting large-scale studies that collect brain MR images from multiple facilities, the impact of differences in imaging equipment and protocols at each site cannot be ignored, and this domain gap has become a significant issue in recent years. In this study, we propose a new low-dimensional representation (LDR) acquisition method called style encoder adversarial domain adaptation (SE-ADA) to realize content-based image retrieval (CBIR) of brain MR images. SE-ADA reduces domain differences while preserving pathological features by separating domain-specific information from LDR and minimizing domain differences using adversarial learning. In evaluation experiments comparing SE-ADA with recent domain harmonization methods on eight public brain MR datasets (ADNI1/2/3, OASIS1/2/3/4, PPMI), SE-ADA effectively removed domain information while preserving key aspects of the original brain structure and demonstrated the highest disease search accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL