Domain adaptation using curriculum learning.for biomedical image analysis
| Project/Area Number |
21K19829
|
|---|
| Research Category |
Grant-in-Aid for Challenging Research (Exploratory)
|
| Allocation Type | Multi-year Fund |
|---|
| Review Section |
Medium-sized Section 62:Applied informatics and related fields
|
|---|
| Research Institution | Kyushu University |
|---|
Principal Investigator |
Bise Ryoma 九州大学, システム情報科学研究院, 准教授 (00644270)
|
|---|
| Project Period (FY) |
2021-07-09 – 2023-03-31
|
| Project Status |
Completed (Fiscal Year 2022)
|
| Budget Amount *help |
¥6,500,000 (Direct Cost: ¥5,000,000、Indirect Cost: ¥1,500,000)
Fiscal Year 2022: ¥3,900,000 (Direct Cost: ¥3,000,000、Indirect Cost: ¥900,000)
Fiscal Year 2021: ¥2,600,000 (Direct Cost: ¥2,000,000、Indirect Cost: ¥600,000)
|
|---|
| Keywords | 機械学習 / ドメイン適応 / 深層学習 / 弱教師学習 / 半教師学習 / バイオ医療画像解 / カリキュラム学習 / 画像情報学 / ドメインアダプテーション |
|---|
| Outline of Research at the Start |
本研究課題では，バイオ医療画像解析分野において，ある特定のデータセットに対して教師データを作成さえすれば，実環境における異なるドメインにおいて新たに教師データの作成をすることなく，対象物体の認識が可能な手法の研究開発を行うことを目的とする．本研究課題は，実問題を想定し，実利用先のデータが多様な環境という問題設定に取り組むものであり，多様な状況を活用して，教師データに類似しているデータから段階を踏んで難しい（特徴が異なる）データを学習するカリキュラム学習を行うことで解決する．
|
| Outline of Final Research Achievements |
In this research project, we developed methods to address the domain shift problem in bio-medical image analysis. For example, we proposed a curriculum-based approach for learning cell shapes in cell detection tasks, gradually expanding the domain. This method aimed to overcome the challenge of models trained on a specific dataset (source domain) not performing well on datasets captured under different conditions (target domain). As a result, many paper were accepted in a top journal and conferences, e.g., MedIA (IF: 13.828), MICCAI (h5-index: 78), ISBI2023 (h5-index: 55), and WACV2022 (h5-index: 76).
|
| Academic Significance and Societal Importance of the Research Achievements |
バイオ医療画像解析分野において，ある特定のデータセットに対して教師データを作成さえすれば，実環境における異なるドメインにおいて新たに教師データの作成をすることなく，対象物体の認識が可能となることは究極の課題の一つである．さらに言えば，既に存在する教師ありの公開データを元に，多様な実環境のデータでの学習が教師なしで可能となれば，実利用のハードルが格段に下がり，多くの医学及び生物学の研究で活用されることが期待される．本研究課題は，この課題に取り組むものであり，大いに意義がある．
|
Report
(3 results)
Research Products
(10 results)
-
-
-
-
-
-
-
-
[Presentation] Semi-Supervised Domain Adaptation for Class-Imbalanced Dataset2022
Author(s)
Shota Harada, Ryoma Bise, Kengo Araki, Akihiko Yoshizawa, Kazuhiro Terada, Mariyo Kurata-Rokutan, Naoki Nakajima, Hiroyuki Abe, Tetsuo Ushiku, Seiichi Uchida
Organizer
画像の認識・理解シンポジウム(MIRU2022, アクリエひめじ，姫路市)
Related Report
-
-
