RKHS-MMDを用いた医用画像分類のための堅牢な教師なしドメイン適応フレームワーク
arXiv cs.CV / 2026/5/6
📰 ニュースIdeas & Deep AnalysisModels & Research
要点
- 医用画像分類では、ラベル付けが高コストであることに加え、医療機関や撮像装置の違いによってドメインシフトが生じるため、学習済みモデルの汎化が難しくなっています。
- 本論文は、転移学習とRKHS-MMD（Reproducing Kernel Hilbert Space based Maximum Mean Discrepancy）損失を組み合わせ、ソースとターゲットの分布を整合させる教師なしドメイン適応フレームワークを提案します。
- 分類目的とRKHS-MMD整合項を同時に最適化することで、未ラベルの医用データセットへの性能向上と手作業の注釈依存低減を図ります。
- 医療機関が異なる2つの胸部X線データセットでの実験では、ドメイン適応なしのモデルに比べて顕著な改善が示されています。
- 比較により、RKHS-MMDは標準的なMMDよりもモダリティ間ギャップをより効果的に低減できることが示され、医用診断AIへの有効性が裏付けられています。
