Consecutive Knowledge Meta-Adaptation Learning for Unsupervised Medical Diagnosis

要約

ディープ ラーニング ベースのコンピューター支援診断 (CAD) は、学術研究や臨床応用において注目を集めています。
それにもかかわらず、畳み込みニューラル ネットワーク (CNN) 診断システムは、適切にラベル付けされた病変データセットに大きく依存しており、データ分布の変動に対する感度も CAD での CNN の潜在的なアプリケーションを制限しています。
教師なしドメイン適応 (UDA) メソッドは、高価な注釈とドメイン ギャップの問題を解決するために開発され、医用画像解析で目覚ましい成功を収めています。
しかし、既存のUDAアプローチは、ソース病変ドメインから学習した知識を単一の標的病変ドメインに適応させるだけであり、これは臨床シナリオに反しています。診断される新しいラベル付けされていない標的ドメインは、常にオンラインで継続的に到着します。
さらに、既存のアプローチのパフォーマンスは、以前に学習した知識を上書きする新たに学習した知識 (すなわち、壊滅的な忘却) により、以前に学習した標的病変ドメインで劇的に低下します。
上記の問題に対処するために、Consecutive Lesion Knowledge Meta-Adaptation (CLKM) という名前のメタ適応フレームワークを開発します。これは、主に Semantic Adaptation Phase (SAP) と Representation Adaptation Phase (RAP) で構成され、診断モデルをオンラインで学習します。
そして絶え間ない方法。
SAP では、ソース病変ドメインから学習した意味知識が、連続するターゲット病変ドメインに転送されます。
RAP では、特徴抽出器が最適化されて、ソースおよび複数のターゲット病変ドメイン全体で転送可能な表現の知識が整列されます。

要約(オリジナル)

Deep learning-based Computer-Aided Diagnosis (CAD) has attracted appealing attention in academic researches and clinical applications. Nevertheless, the Convolutional Neural Networks (CNNs) diagnosis system heavily relies on the well-labeled lesion dataset, and the sensitivity to the variation of data distribution also restricts the potential application of CNNs in CAD. Unsupervised Domain Adaptation (UDA) methods are developed to solve the expensive annotation and domain gaps problem and have achieved remarkable success in medical image analysis. Yet existing UDA approaches only adapt knowledge learned from the source lesion domain to a single target lesion domain, which is against the clinical scenario: the new unlabeled target domains to be diagnosed always arrive in an online and continual manner. Moreover, the performance of existing approaches degrades dramatically on previously learned target lesion domains, due to the newly learned knowledge overwriting the previously learned knowledge (i.e., catastrophic forgetting). To deal with the above issues, we develop a meta-adaptation framework named Consecutive Lesion Knowledge Meta-Adaptation (CLKM), which mainly consists of Semantic Adaptation Phase (SAP) and Representation Adaptation Phase (RAP) to learn the diagnosis model in an online and continual manner. In the SAP, the semantic knowledge learned from the source lesion domain is transferred to consecutive target lesion domains. In the RAP, the feature-extractor is optimized to align the transferable representation knowledge across the source and multiple target lesion domains.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google