MICCAI KiTS23 Challengeの追加データを使用した際のドメインシフトの分析

Core Concepts

追加データを使用する際のドメインシフトへの対処方法とその効果について研究しました。

Abstract

追加データを使用することで結果が改善されることが知られています。
ドメインシフトにより、新しいデータは元のトレーニングデータと大きく異なる分布を持つ可能性があります。
ヒストグラムマッチングを使用して追加データを変換することで、単純な正規化よりも良い結果が得られることが示されました。
導入

腎臓構造（腎臓、腫瘍、嚢胞）のセグメンテーションは重要です。
医用画像セグメンテーションでは他の領域に比べて少ないトレーニングデータが利用可能です。
方法

追加データを前処理してオリジナルデータと一緒に訓練します。
3D U-Netモデルを使用して複数のデータ拡張技術で訓練します。
結果

Dataset 1およびDataset 2で訓練し、KiTS23から147枚の画像を検証に使用しました。
Dataset 2でヒストグラム均等化を適用することで、すべてのターゲット指標向上が見られました。

Stats

新しいデータは他の機器で取得された可能性があるため、分布が異なる場合があります。
追加データを変換する際にヒストグラムマッチングを使用することで結果が改善されます。

Quotes

Key Insights Distilled From

Analyzing domain shift when using additional data for the MICCAI KiTS23 Challenge

by George Stoic... at arxiv.org 03-13-2024

https://arxiv.org/pdf/2309.02001.pdf

Deeper Inquiries

他の領域でもドメインシフトはどのように影響するか？

ドメインシフトは、異なるデータセット間で発生する分布の変化を指し、機械学習や深層学習において重要な課題です。他の領域でも同様に、例えば自然言語処理や画像認識などの分野では、訓練データとテストデータが異なる分布を持つ場合があります。このような場合、モデルが訓練時に適切に汎化されず、実際の運用時に性能が低下する可能性があります。
特に医用画像処理では、さまざまな施設で取得された画像データは異なる特性を持ち、それらの差異からドメインシフトが生じやすくなります。そのため、追加データを使用する際も十分注意してドメインシフトを考慮し対策を講じる必要があります。