マンモグラフィ転移学習の再考：乳がんスクリーニングと病変診断のためのDataset-Informed Transfer Learning (DITL) フレームワーク

この論文では、マンモグラフィにおける転移学習の課題に対処するため、「Dataset-Informed Transfer Learning (DITL)」フレームワークを提案しています。従来の転移学習はデータセット固有の特徴を軽視しがちでしたが、DITLはデータセットの特性を考慮した学習を行うことで、特に乳がんスクリーニングや病変診断の精度向上を目指します。

• マンモグラフィ転移学習のための「Dataset-Informed Transfer Learning (DITL)」フレームワークが提案された。
• データセット固有の特性を考慮し、近傍情報に基づくトリプレット教師あり学習を統合する。
• サンプルごとの重みを自己教師あり特徴空間のk近傍ラベル純度に基づいて決定する。
• ハイパーパラメータ調整不要で、計算オーバーヘッドも無視できるほど小さい。
• 大規模データセットと小規模ROIデータセットの両方で最先端の性能を達成した。