Domain Generalization for Mammographic Image Analysis with 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におけるいくつかの画像分析タスクに効果的に対処でき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、さまざまなスタイルと品質を持つ大規模なデータが必要です。
データの多様性は、ベンダーのさまざまなスキャナーの使用によって得られることがよくあります。
しかし、実際には、トレーニング用に十分な量の多様なデータを収集することは非現実的です。
この目的を達成するために、深層学習モデルに優れたスタイルの汎化機能を装備する新しい対照学習が開発されました。
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、事前学習済みモデルとしてスタイルの多様性に対して堅牢な特徴埋め込みを求めます。
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と見えないドメインの両方からのデータに対する 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 effectively addressed several image analysis tasks in the computer-aided diagnosis scheme for mammography. The training of an efficacious deep learning model requires large data with diverse styles and qualities. The diversity of data often comes from the use of various scanners of vendors. But, in practice, it is impractical to collect a sufficient amount of diverse data for training. To this end, a novel contrastive learning is developed to equip the deep learning models with better style generalization capability. Specifically, the multi-style and multi-view unsupervised self-learning scheme is carried out to seek robust feature embedding against style diversity as a pretrained model. Afterward, the pretrained 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 evaluated extensively and rigorously with mammograms from various vendor style domains and several public datasets. The experimental results suggest that the proposed domain generalization method can effectively improve performance of four mammographic image tasks on the data from both seen and 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 2023-09-07 16:16:10+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