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

要約

医用画像分析のための現在の機械学習手法は、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て調整されたモデルを開発することに重点を置いています。
これらの特殊なモデルはデータを大量に消費する傾向があり、配布外のサンプルに一般化する際に制限が生じることがよくあります。
最近、さまざまなドメインのデータを組み合わせて優れた一般化機能を実証する基礎モデルが提案されています。
これに基づいて、この研究では、X 線、MRI、CT、超音波画像などのさまざまな画像モダリティや、アキシャル、コロナル、サジタル ビューなどのさまざまな視点を含む、多様な医療画像ドメインの組み込みを導入しています。
このアプローチをマルチドメイン モデルと呼び、そのパフォーマンスを特殊なモデルのパフォーマンスと比較します。
私たちの調査結果は、特に医療アプリケーションで頻繁に遭遇する、限られたデータ可用性と配布外を特徴とするシナリオにおいて、マルチドメイン モデルの優れた一般化機能を強調しています。
多様なデータの統合により、マルチドメイン モデルでドメイン間で共有された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します。
たとえば、臓器認識の場合、マルチドメイン モデルは従来の特殊なモデルと比較して精度を最大 10% 向上させることができます。

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. Recently, foundation models have been proposed, which combine data from various domains and demonstrate excellent generalization capabilities. Building upon this, this work introduces 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. We refer to this approach as multi-domain model and compare its performance to that of specialized models. 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 shared information across domains, enhancing the overall outcomes significantly. To illustrate, for organ recognition, multi-domain model can enhance accuracy by up to 10% compared to conventional specialized models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google