Supervised Domain Adaptation Using Gradients Transfer for Improved Medical Image Analysis

Das Kapitel geht den Herausforderungen des Wissenstransfers von einem Bereich der medizinischen Bildgebung in einen anderen anhand von Deep-Learning-Modellen nach. Es führt eine neue Methode des Gradiententransfers ein, die die Leistung der überwachten Domänenanpassung in der medizinischen Bildanalyse verbessert. Die Autoren schlagen zwei Varianten des Gradiententransfers vor: Mixed Minibatch Transfer Learning (MMTL) und Optimizer-Continuation Transfer Learning (OCTL). Diese Methoden übertragen nicht nur die Modellparameter, sondern auch die während der Vorbereitungsphase erhaltenen Gradienten, wodurch die Informationen, die aus der Quelldomäne gewonnen werden, effektiv erhalten bleiben. Das Kapitel stellt umfangreiche Experimente zu drei verschiedenen Datensätzen vor, die die Überlegenheit der vorgeschlagenen Methoden gegenüber bestehenden Ansätzen sowohl bei Segmentierungs- als auch bei Klassifizierungsaufgaben demonstrieren. Die Ergebnisse heben das Potenzial des Gradiententransfers hervor, die schädlichen Auswirkungen der Domänenverschiebung abzumildern und die Gesamtleistung medizinischer Bildanalysemodelle zu verbessern.