抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
教師なしドメイン適応(UDA)法は,非ラベル標的ドメインと標識ソースドメインデータを用いることにより,ソースとターゲットドメイン間のギャップを縮小することを意図するが,医用ドメインでは,標的ドメインデータは常に容易に入手できず,新しいサンプルを得ることは,一般的に時間がかかる。これは新しいドメインのためのUDA法の開発を制限する。本論文では,1つのラベルなし標的患者サンプルだけが利用できる現実的なシナリオで,より挑戦的なUDAの可能性を調べた。著者らは,それを少数ショット教師なしドメイン適応(FUDA)と呼ぶ。まず,ソース画像からターゲットスタイル画像を生成し,ランダム適応インスタンス正規化(RAIN)を持つ単一ターゲット患者から多様なターゲットスタイルを探索する。次に,セグメンテーションネットワークを,生成されたターゲット画像を用いて教師つき方法で訓練した。著者らの実験は,FUDAがベースラインと比較してターゲットドメインでDiceスコアの0.33によってセグメンテーション性能を改善し,また,より厳密なワンショット設定においてDiceスコア改善の0.28を与えることを示した。著者らのコードは,ウルル{https://github.com/MingxuanGu/Few shot UDA}で利用可能である。【JST・京大機械翻訳】