Key points are not available for this paper at this time.
Medizinische Daten weisen häufig Verteilungsverschiebungen auf, die zu einer Verschlechterung der Leistung von Deep-Learning-Modellen führen, die mit standardisierten überwachten Lernpipelines trainiert wurden. Diese Herausforderung wird im Bereich der Domänen-Generalisierung (DG) mit dem Teilbereich der Ein-Domäne-Generalisierung (SDG) angesprochen, der aufgrund der oft mit medizinischen Daten verbundenen Datenschutz- oder logistikbezogenen Probleme besonders interessant ist. Bestehende SDG-Methoden, die auf Entwirrung basieren, stützen sich stark auf strukturelle Informationen, die in Segmentierungs-Masken eingebettet sind; Klassifikationslabels bieten jedoch nicht solche dichten Informationen. Diese Arbeit führt eine neuartige SDG-Methode ein, die auf die Klassifikation medizinischer Bilder abzielt und eine kanalweise kontrastive Entwirrung nutzt. Sie wird weiter durch eine rekonstruktionsbasierte Style-Regulierung verbessert, um die Extraktion von distincten Stil- und Strukturmerkmale-Darstellungen sicherzustellen. Wir evaluieren unsere Methode an der komplexen Aufgabe der Multizenter-Histopathologie-Bildklassifikation und vergleichen sie mit dem Stand der Technik (SOTA) SDG-Basislinien. Die Ergebnisse zeigen, dass unsere Methode die SOTA um einen Durchschnittswert von 1 % in der Genauigkeit übertrifft und dabei auch eine stabilere Leistung aufweist. Diese Studie hebt die Bedeutung und die Herausforderungen des Erkundens von SDG-Rahmenwerken im Kontext der Klassifikationsaufgabe hervor. Der Code ist öffentlich verfügbar unter https://github.com/BioMedIA-MBZUAI/ConDiSR.
Matsun et al. (Do,) haben diese Frage untersucht.