Domain Generalization for Mammographic Image Analysis via Contrastive Learning

要約

深層学習技術は、マンモグラフィーのコンピューター支援診断スキーム内のいくつかの画像分析タスクに対処するのに効果的であることが示されています。
効果的な深層学習モデルのトレーニングには、画像のスタイルと品質の点で十分な多様性を備えた大量のデータが必要です。
特に、画像スタイルの多様性は主にベンダー要因に起因する可能性があります。
ただし、大規模で多様なベンダーからマンモグラフィーを収集するのは非常に高価であり、場合によっては非現実的です。
意欲的に、深層学習モデルに優れた一般化機能を装備するための新しい対照学習方法が開発されました。
具体的には、マルチスタイルおよびマルチビューの教師なし自己学習スキームを実行して、事前トレーニング済みモデルとしてさまざまなベンダー スタイルに対して堅牢な機能埋め込みを追求します。
その後、事前トレーニングされたネットワークは、質量検出、照合、BI-RADS 評価、乳房密度分類などの下流タスクに合わせてさらに微調整されます。
提案された方法は、さまざまなベンダー スタイルのドメインといくつかの公開データセットからのマンモグラムを使用して広範囲かつ厳密に評価されています。
実験結果は、提案されたドメイン一般化手法が、目に見えるドメインまたは見えないドメインのデータに対する 4 つのマンモグラフィー画像タスクのパフォーマンスを効果的に向上させ、多くの最先端 (SOTA) 一般化手法を上回るパフォーマンスを発揮できることを示唆しています。

要約(オリジナル)

The deep learning technique has been shown to be effective in addressing several image analysis tasks within the computer-aided diagnosis scheme for mammography. The training of an efficacious deep learning model requires large amounts of data with sufficient diversity in terms of image style and quality. In particular, the diversity of image styles may be primarily attributed to the vendor factor. However, the collection of mammograms from large and diverse vendors is very expensive and sometimes impractical. Motivatedly, a novel contrastive learning method is developed to equip the deep learning models with better generalization capability. Specifically, the multi-style and multi-view unsupervised self-learning scheme is carried out to seek robust feature embedding against various vendor styles as a pre-trained model. Afterward, the pre-trained network is further fine-tuned to the downstream tasks, e.g., mass detection, matching, BI-RADS rating, and breast density classification. The proposed method has been extensively and rigorously evaluated with mammograms from various vendor-style domains and several public datasets. The experimental results suggest that the proposed domain generalization method can effectively improve the performance of four mammographic image tasks on data from either seen or unseen domains and outperform many state-of-the-art (SOTA) generalization methods.

arxiv情報

著者 Zheren Li,Zhiming Cui,Lichi Zhang,Sheng Wang,Chenjin Lei,Xi Ouyang,Dongdong Chen,Xiangyu Zhao,Yajia Gu,Zaiyi Liu,Chunling Liu,Dinggang Shen,Jie-Zhi Cheng
発行日 2023-06-06 15:25:37+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV, cs.LG パーマリンク