减轻皮肤病变分类中域漂移的影响：基于显微镜图像的无监督域适应方法的基准研究

Oct, 2023

减轻皮肤病变分类中域漂移的影响：基于显微镜图像的无监督域适应方法的基准研究

Mitigating the Influence of Domain Shift in Skin Lesion Classification: A Benchmark Study of Unsupervised Domain Adaptation Methods on Dermoscopic Images

PDF

Sireesha Chamarthi, Katharina Fogelberg, Roman C. Maron, Titus J. Brinker, Julia Niebling

TL;DR深度神经网络在皮肤病变分类方面的潜力已经被证明不亚于甚至优于皮肤科医生的诊断。然而，当测试数据与训练数据有显著差异时（即领域转移），这些模型的性能通常会下降。本研究深入分析了八种不同的无监督领域自适应方法，以分析它们在皮肤镜数据集的泛化能力上的有效性。研究结果表明，这八种领域自适应方法均能改善大多数分析数据集的 AUPRC，指示无监督领域自适应通常可以提高二分类黑素瘤 - 痣的任务的性能。然而，小样本或非平衡数据集会降低结果的一致性，因为这些因素会对方法的性能产生影响。

Abstract

The potential of deep neural networks in skin lesion classification has already been demonstrated to be on-par if not superior to the dermatologists diagnosis. However, the performance of these models usually det

skin lesion classification deep neural networks domain shift unsupervised domain adaptation dermoscopic datasets

发现论文，激发创造

皮肤镜皮肤癌数据集中的领域转移：对临床转化的基本限制的评估

该研究探讨卷积神经网络应用在皮肤镜皮肤癌分类等临床任务时的泛化能力不足问题，并针对不同来源、不同照明条件等影响因素，通过对 ISIC 图像库中图像元数据进行分类，生成包括这些影响因素的数据集，体现数据集间的 “domain shifts”，为评估皮肤癌分类器的泛化能力提供支持。

Apr, 2023

能否通过域自适应提高皮肤病变分类的准确性和公平性？

深度学习诊断系统在标注训练样例充足时，已展示出在分类皮肤癌症状况方面的潜力。然而，皮损分析经常面临标注数据稀缺的问题，阻碍了准确可靠的诊断系统的开发。在本研究中，我们利用多个皮损数据集，并探讨了各种无监督领域自适应（UDA）方法在二元和多类别皮损分类中的可行性。特别是，我们评估了三种 UDA 训练方案：单一来源，综合来源和多来源。我们的实验结果表明，UDA 在二元分类中效果显著，当减少不平衡时，进一步提高。在多类别任务中，其性能不太明显，并且需要解决不平衡问题以实现高于基准的准确性。通过我们的定量分析，我们发现多类别任务的测试误差与标签偏移强相关，而特征级 UDA 方法在处理不平衡数据集时存在局限性。最后，我们的研究揭示了 UDA 可以有效减少对少数群体的偏见，并促进公平，即使不明确使用面向公平的技术。

Jul, 2023

医学图像分析的领域自适应研究概述

介绍了机器学习在医学图像分析中的应用以及领域适应（domain adaptation）的最新进展，详细分类与总结了分为浅层模型和深层模型，分别包含有监督、半监督和无监督学习的领域适应模型，并简要总结了领域适应方法在医学图像数据集上的表现。

Feb, 2021

深度神经网络无监督域适应

本文介绍了现有的领域自适应方法的分析，提出了一种新的方法，证明了在不同领域中改进视觉识别任务的潜力，为领域自适应领域的进一步研究和发展开辟了机遇。

Jul, 2023

单源深度无监督视觉域自适应综述

本文综述了最新的单源深度无监督域适应方法，主要集中在视觉任务中，并讨论了未来研究的新视角。首先介绍了不同领域适应策略的定义和现有基准数据集的描述，然后总结和比较了不同类别的单源无监督域适应方法，包括基于差异性的方法，对抗式鉴别方法，对抗式生成方法和自监督方法，并探讨了未来的研究方向、挑战和可能的解决方案。

Sep, 2020

目标检测无监督领域自适应：综述

本研究通过详细描述检测的域适应问题并对各种方法进行广泛概述，强调提出的策略及其相关的缺点，为未来的研究提供有前途的问题，并向计算机视觉、生物计算、医学影像和自主导航等领域的模式识别专家介绍了当前进展的现状。

May, 2021

无需源数据的无监督领域自适应

该研究提出了一种针对亮度、对比度等自然变化轴的目标域适应方法，只需要无标签的目标数据和源分类器，有效地解决了预训练模型中源数据不可用的问题，并表明其在有限标记数据的情况下胜过微调基线。

Jul, 2020

基于对抗神经网络的无监督领域自适应脑损伤分割

该研究使用对抗神经网络进行无监督的领域自适应来训练一种分割方法，此方法更加稳健，并且不需要对测试领域进行任何注释，该系统在对两种头部 CT 数据进行测试时，得到的分割精度非常接近于有监督领域自适应的上限。

Dec, 2016

基于数据增强的医学成像领域无监督域适应

基于深度学习的医学影像模型由于硬件、采集参数、人群和伪影等异质性数据的限制，往往难以有效地推广到新的扫描任务中。本研究提出一种无监督方法，通过利用 MRI 特定的增强技术，在脑部 MRI 分割中实现鲁棒的领域适应。通过在多样的数据集、模态以及分割任务之间进行广泛的实验对我们的方法进行有效性评估，并与目前最先进的方法进行比较。结果表明，我们提出的方法在各种任务中均具有高准确性、广泛适用性，并且对于不同领域的转移表现出非凡的鲁棒性，超过了大部分情况下的最先进性能。

Aug, 2023

医学图像分割与域适应：综述

深度学习在医学影像数据分析应用中取得了显著的成功。然而，由于数据分布的差异导致的领域偏移使得深度学习模型在不同扫描仪的不同站点所收集的训练和测试数据上难以实现良好的泛化能力。领域适应作为一种有效手段旨在通过减少医学影像应用中的领域差距来应对这一挑战。本综述针对基于深度学习的医学图像分割领域适应方法进行了重点研究。我们首先介绍领域适应的动机和背景知识，然后全面回顾了医学图像分割中领域适应应用，并最后讨论了该领域的挑战、局限性和未来研究趋势，以促进领域适应在医学图像分割的方法学发展。我们的目标是为研究人员提供关于领域适应在医学图像分割研究中的最新参考文献。

Nov, 2023