文献

J-GLOBAL ID：202202210559574768   整理番号：22A0104545

CADA:教師なし視神経円板とカップセグメンテーションのためのマルチスケール協調敵対領域適応【JST・京大機械翻訳】

CADA: Multi-scale Collaborative Adversarial Domain Adaptation for unsupervised optic disc and cup segmentation

著者 (6件)： Liu Peng (J. Crayton Pruitt Family Dept. of Biomedical Engineering, University of Florida, Gainesville, FL 32611, USA) ,  Tran Charlie T. (Dept. of Electrical and Computer Engineering, University of Florida, Gainesville, FL 32611, USA) ,  Kong Bin (Department of Computer Science, UNC Charlotte, Charlotte, NC 28223, USA) ,  Fang Ruogu (J. Crayton Pruitt Family Dept. of Biomedical Engineering, University of Florida, Gainesville, FL 32611, USA) ,  Fang Ruogu (Dept. of Electrical and Computer Engineering, University of Florida, Gainesville, FL 32611, USA) ,  Fang Ruogu (Center for Cognitive Aging and Memory, University of Florida, Gainesville, FL 32611, USA)
資料名： Neurocomputing  (Neurocomputing)
巻： 469  ページ： 209-220  発行年： 2022年 
JST資料番号： W0360A  ISSN： 0925-2312  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 最近,深層ニューラルネットワークは,良く注釈されたデータセットにおいて,ボード認証眼科医よりも同等かつ優れた性能を示した。しかし,網膜イメージングデバイスの多様性は,ドメインシフト,すなわちドメインシフトを提起し,それは,新しいテストドメインに1つのドメインで訓練された深層学習モデルを適用するとき,性能劣化をもたらす。本論文では,特徴および出力空間の両者において階層的に適用される多重領域アダプターとともに,マルチスケール入力から成るドメイン適応フレームワークを提案した。提案した訓練戦略と新しい教師なしドメイン適応フレームワークは,協調敵対ドメイン適応(CADA)と呼ばれ,ドメインシフトチャレンジを効果的に克服できる。マルチスケール入力は,特徴抽出のためにネットワークで使用されるプール層による情報損失を減らすことができ,一方,提案したCADAは,異なるネットワーク層における敵対学習とアンサンブル重みの両方を通して,精巧な協調適応を示す対話型パラダイムである。特に,ラベルなしターゲットドメインデータに対するより良い予測を生成するために,異なるレベルのネットワーク層からのマルチスケール出力での広告学習を介してドメイン不変性とモデル一般化可能性を同時に達成し,訓練中の歴史的重みの指数関数的移動平均(EMA)を維持する。ターゲットドメインからのいかなるサンプルも注釈なしに,符号器と復号器層における多重敵対損失はドメイン不変特徴の抽出をガイドし,ドメイン分類器を混乱させる。一方,EMAによる重みのアンサンブルは,多重識別子学習の適応の不確実性を減少させる。包括的な実験結果は,マルチスケール入力訓練を組み込んだCADAモデルが,REFUGE,Driishti-GS,およびRim-One-r3データセットから生じる眼底画像から,網膜視神経円板とカップを分割する際に,性能劣化を克服し,最先端のドメイン適応法より優れていることを実証した。コードはhttps://github.com/cswin/CADAで利用可能である。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 網膜 ,  学習 ,  広告 ,  *セグメンテーション ,  ネットワーク ,  不確実性 ,  復号器 ,  特徴抽出 ,  多重化 ,  符号器 ,  *視神経円板 ,  認証
準シソーラス用語： *マルチスケール ,  眼科医 ,  深層学習 , 【Automatic Indexing@JST】

著者キーワード (4件)： ドメイン適応 ,  教師なし学習 ,  セグメンテーション ,  網膜眼底画像

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (8件)： 教師 ,  視神経円板 ,  カップ ,  セグメンテーション ,  マルチスケール ,  協調 ,  敵対 ,  適応