論文の概要: Style Content Decomposition-based Data Augmentation for Domain Generalizable Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2502.20619v2
• Date: Mon, 04 Aug 2025 04:15:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-05 14:07:56.292956
• Title: Style Content Decomposition-based Data Augmentation for Domain Generalizable Medical Image Segmentation
• Title（参考訳）: 領域一般化可能な医用画像分割のためのスタイルコンテンツ分解に基づくデータ拡張
• Authors: Zhiqiang Shen, Peng Cao, Jinzhu Yang, Osmar R. Zaiane, Zhaolin Chen,
• Abstract要約: 本稿では,イメージをスタイルコードとコンテンツマップに分解する線形スタイルコンテンツ分解法を提案する。 我々はtextbfStyle-textbfContent 分解に基づくデータtextbfaugmentationアルゴリズム(StyCona)を導入する。 StyConaは、ソースドメインイメージのグローバルスタイルとローカルコンテンツの両方をガイドする。
• 参考スコア（独自算出の注目度）: 22.69909762038458
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Due to domain shifts across diverse medical imaging modalities, learned segmentation models often suffer significant performance degradation during deployment. These domain shifts, typically caused by variations in imaging systems, generally comprise two principal components: 1) \textbf{"style" shifts}, referring to global disparities in image properties such as illumination, contrast, and color; and 2) \textbf{"content" shifts}, which involve local discrepancies in anatomical structures. To address domain shifts in medical image segmentation, a core challenge arises: how can we decouple the factors within images that determine their "style" and "content" components? To this end, we first propose a linear style-content decomposition method that factorizes an image into style codes and content maps, explicitly modeling the "style" and "content" components. Building on this, we introduce a \textbf{Sty}le-\textbf{Con}tent decomposition-based data \textbf{a}ugmentation algorithm (StyCona), which leverages this decomposition strategy to guide augmentation of both the global style and local content of source-domain images, enabling the training of a well-generalized model for domain-generalizable medical image segmentation. StyCona is a simple yet effective plug-and-play module that substantially improves model generalization without requiring additional training parameters or modifications to segmentation model architectures. Experiments on cardiac magnetic resonance imaging and fundus photography segmentation tasks, with single and multiple target domains respectively, demonstrate the effectiveness of StyCona and its superiority over state-of-the-art domain generalization methods. The code will be released at https://github.com/Senyh/StyCona.
• Abstract（参考訳）: 多様な医用画像モダリティのドメインシフトのため、学習されたセグメンテーションモデルは、デプロイメント中に大きなパフォーマンス低下を被ることが多い。 これらの領域シフトは、通常、イメージングシステムのバリエーションによって引き起こされるもので、一般的には2つの主成分から構成される。 1)「textbf{"style" shifts}」は、照明、コントラスト、色などの画像特性における大域的な差異を指す。 2)解剖学的構造における局所的な相違を含む「textbf{"content" shifts}」。 医療画像のセグメンテーションにおけるドメインシフトに対処するために、中心となる課題は、どのようにしてイメージ内の要素を分離し、それらの"スタイル"と"コンテント"コンポーネントを決定するかである。 そこで我々はまず,イメージをスタイルコードとコンテンツマップに分解し,"スタイル"と"コンテンツ"コンポーネントを明示的にモデル化する線形スタイルコンテンツ分解法を提案する。 そこで我々は,この分解手法を利用して,領域一般化可能な医用画像セグメンテーションのための,よく一般化されたモデルのトレーニングを可能にする,ソースドメイン画像のグローバルなスタイルとローカルなコンテンツの両方をガイドする。 StyConaはシンプルだが効果的なプラグアンドプレイモジュールであり、セグメンテーションモデルアーキテクチャに追加のトレーニングパラメータや修正を加えることなく、モデルの一般化を大幅に改善する。 心臓磁気共鳴画像と底部撮影セグメンテーションタスクの実験は、StyConaの有効性と最先端領域一般化法よりも優れていることを実証している。 コードはhttps://github.com/Senyh/StyCona.comでリリースされる。

関連論文リスト

• ConStyX: Content Style Augmentation for Generalizable Medical Image Segmentation [26.01939587264357]
  ドメイン一般化(DG)は、強力な一般化性を持つ堅牢なモデルをトレーニングすることを目的としている。 コンテンツスタイル拡張(ConStyX)と呼ばれる領域ランダム化に基づく新しいDG手法を提案する。 ConStyXはトレーニングデータの内容とスタイルを強化し、拡張トレーニングデータにより幅広いデータドメインをカバーすることができる。
  論文  参考訳（メタデータ） (2025-06-12T13:04:32Z)
• ConDSeg: A General Medical Image Segmentation Framework via Contrast-Driven Feature Enhancement [5.117018155594986]
  コントラスト駆動医療画像(ConDSeg)というフレームワークを提案する。 様々な照明およびコントラストシナリオにおけるエンコーダの堅牢性を改善するように設計されている。 画像内の異なる大きさのエンティティを正確に特定し、共起特徴の誤学習を避ける。
  論文  参考訳（メタデータ） (2024-12-11T12:34:49Z)
• Language Guided Domain Generalized Medical Image Segmentation [68.93124785575739]
  単一ソースドメインの一般化は、より信頼性が高く一貫性のあるイメージセグメンテーションを現実の臨床環境にわたって約束する。 本稿では,テキストエンコーダ機能によって案内されるコントラスト学習機構を組み込むことで,テキスト情報を明確に活用する手法を提案する。 文献における既存手法に対して,本手法は良好な性能を発揮する。
  論文  参考訳（メタデータ） (2024-04-01T17:48:15Z)
• MoreStyle: Relax Low-frequency Constraint of Fourier-based Image Reconstruction in Generalizable Medical Image Segmentation [53.24011398381715]
  MoreStyleと呼ばれるデータ拡張のためのPlug-and-Playモジュールを紹介します。 MoreStyleは、フーリエ空間の低周波制約を緩和することで、イメージスタイルを多様化する。 敵対的学習の助けを借りて、MoreStyleは潜在機能の中で最も複雑なスタイルの組み合わせを指差している。
  論文  参考訳（メタデータ） (2024-03-18T11:38:47Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• DARC: Distribution-Aware Re-Coloring Model for Generalizable Nucleus Segmentation [68.43628183890007]
  ドメインギャップは、異なるフォアグラウンド(核)-バックグラウンド比によっても引き起こされる可能性があると我々は主張する。 まず、異なる領域間の劇的な画像色変化を緩和する再カラー化手法を提案する。 次に,前景-背景比の変動に頑健な新しいインスタンス正規化手法を提案する。
  論文  参考訳（メタデータ） (2023-09-01T01:01:13Z)
• Self-supervised Semantic Segmentation: Consistency over Transformation [3.485615723221064]
  Inception Large Kernel Attention (I-LKA) モジュールをベースとしたロバストなフレームワークを統合した新しい自己教師型アルゴリズム textbfS$3$-Net を提案する。 我々は、変形可能な畳み込みを積分成分として利用し、優れた物体境界定義のための歪み変形を効果的に捕捉し、デライン化する。 皮膚病変および肺臓器の分節タスクに関する実験結果から,SOTA法と比較して,本手法の優れた性能を示した。
  論文  参考訳（メタデータ） (2023-08-31T21:28:46Z)
• Devil is in Channels: Contrastive Single Domain Generalization for Medical Image Segmentation [21.079667938055668]
  医用画像分割のためのtextbfChannel レベルの textbfContrastive textbfSingle textbfDomain textbf Generalization モデルを提案する。 提案手法は,単一ソースドメインを用いてチャネルワイドな特徴の絡み合いを可能にする,コントラスト的な視点での新しい手法である。
  論文  参考訳（メタデータ） (2023-06-08T14:49:32Z)
• Implicit Anatomical Rendering for Medical Image Segmentation with Stochastic Experts [11.007092387379078]
  医用画像セグメンテーションの学習を支援するために,解剖学的レベルで設計された汎用的な暗黙的ニューラルネットワークレンダリングフレームワークであるMORSEを提案する。 医用画像のセグメンテーションをエンドツーエンドのレンダリング問題として定式化する。 実験の結果,MORSEは異なる医療セグメントのバックボーンでうまく機能することが示された。
  論文  参考訳（メタデータ） (2023-04-06T16:44:03Z)
• BayeSeg: Bayesian Modeling for Medical Image Segmentation with Interpretable Generalizability [15.410162313242958]
  医用画像分割のためのモデル一般化性を高めるための解釈可能なベイズフレームワーク(BayeSeg)を提案する。 具体的には、まず、画像を空間的関連変数と空間的変動変数に分解し、階層的ベイズ事前を割り当て、それぞれドメインの安定な形状とドメイン固有の外観情報をモデル化するよう明示的に強制する。 最後に、これらの説明可能な変数の後方分布を推測する変分ベイズ的枠組みを開発する。
  論文  参考訳（メタデータ） (2023-03-03T04:48:37Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• I2F: A Unified Image-to-Feature Approach for Domain Adaptive Semantic Segmentation [55.633859439375044]
  意味的セグメンテーションのための教師なしドメイン適応(UDA)は、重いアノテーション作業から人々を解放する有望なタスクである。 この問題に対処する主要なアイデアは、画像レベルと特徴レベルの両方を共同で実行することである。 本稿では,画像レベルと特徴レベルを統一したセマンティックセグメンテーションのための新しいUDAパイプラインを提案する。
  論文  参考訳（メタデータ） (2023-01-03T15:19:48Z)
• CDDSA: Contrastive Domain Disentanglement and Style Augmentation for Generalizable Medical Image Segmentation [38.44458104455557]
  医用画像分割のためのCDDSA(Contrastive Domain Disentanglement and Style Augmentation)フレームワークを提案する。 まず、画像をドメイン不変な解剖学的表現とドメイン固有なスタイルコードに分解する。 第二に、より良い絡み合いを実現するために、同じドメインと異なるドメインのスタイルコードをコンパクトで分散させるために、対照的な損失が提案されている。
  論文  参考訳（メタデータ） (2022-11-22T08:25:35Z)
• Generalizable Medical Image Segmentation via Random Amplitude Mixup and Domain-Specific Image Restoration [17.507951655445652]
  本稿では,新しい医用画像分割法を提案する。 具体的には、セグメント化モデルと自己超越ドメイン固有の画像復元モジュールを組み合わせることで、マルチタスクパラダイムとしてアプローチを設計する。 医用画像における2つの一般化可能なセグメンテーションベンチマークにおいて,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-08-08T03:56:20Z)
• Unsupervised Domain Adaptation for Cross-Modality Retinal Vessel Segmentation via Disentangling Representation Style Transfer and Collaborative Consistency Learning [3.9562534927482704]
  ドメインシフトが大きいタスクに対する、新しいクロスモーダルな教師なしドメイン適応フレームワークDCDAを提案する。 本フレームワークは,OCTAからOCT,OCTからOCTAまで,目標に訓練されたオラクルに近いDiceスコアを達成し,他の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2022-01-13T07:03:16Z)
• Integrating Visuospatial, Linguistic and Commonsense Structure into Story Visualization [81.26077816854449]
  まず、構造的入力を符号化するための選挙区解析木の利用について検討する。 第二に、構造化されたインプットをコモンセンス情報で強化し、この外部知識が視覚的ストーリーの生成に与える影響について検討する。 第3に、境界ボックスと高密度キャプションによって視覚構造を組み込んで、生成された画像の文字やオブジェクトに関するフィードバックを提供する。
  論文  参考訳（メタデータ） (2021-10-21T00:16:02Z)
• Semantic Segmentation with Generative Models: Semi-Supervised Learning and Strong Out-of-Domain Generalization [112.68171734288237]
  本論文では,画像とラベルの再生モデルを用いた識別画素レベルのタスクのための新しいフレームワークを提案する。 我々は,共同画像ラベルの分布を捕捉し,未ラベル画像の大規模な集合を用いて効率的に訓練する生成的対向ネットワークを学習する。 ドメイン内性能をいくつかのベースラインと比較し,ドメイン外一般化を極端に示す最初の例である。
  論文  参考訳（メタデータ） (2021-04-12T21:41:25Z)
• Image Translation by Latent Union of Subspaces for Cross-Domain Plaque Detection [6.114454943178102]
  大動脈および骨盤動脈の石灰化プラークは冠動脈石灰化と関連しており、心臓発作の強力な予測因子である。 現在の石灰化プラーク検出モデルでは、異なる領域に対する一般化性が低い。 サブスペース制約の共有結合を用いた画像翻訳ネットワークを提案する。
  論文  参考訳（メタデータ） (2020-05-22T20:35:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。