論文の概要: Data-Agnostic Augmentations for Unknown Variations: Out-of-Distribution Generalisation in MRI Segmentation

• arxiv url: http://arxiv.org/abs/2505.10223v1
• Date: Thu, 15 May 2025 12:32:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-16 22:29:06.311234
• Title: Data-Agnostic Augmentations for Unknown Variations: Out-of-Distribution Generalisation in MRI Segmentation
• Title（参考訳）: 未知変量に対するデータに依存しない拡張:MRI分割におけるアウト・オブ・ディストリビューションの一般化
• Authors: Puru Vaish, Felix Meister, Tobias Heimann, Christoph Brune, Jelmer M. Wolterink,
• Abstract要約: 医療画像セグメンテーションモデルは、しばしばキュレートされたデータセットでトレーニングされ、実際の臨床環境にデプロイするとパフォーマンスが低下する。 従来の視覚的に一貫した拡張戦略は、様々な現実世界のシナリオに必要な堅牢さを欠いている。 我々はMixUpとAuxiliary Fourier Augmentationに焦点をあてて、代替拡張戦略を体系的に評価した。
• 参考スコア（独自算出の注目度）: 2.6885860243819204
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical image segmentation models are often trained on curated datasets, leading to performance degradation when deployed in real-world clinical settings due to mismatches between training and test distributions. While data augmentation techniques are widely used to address these challenges, traditional visually consistent augmentation strategies lack the robustness needed for diverse real-world scenarios. In this work, we systematically evaluate alternative augmentation strategies, focusing on MixUp and Auxiliary Fourier Augmentation. These methods mitigate the effects of multiple variations without explicitly targeting specific sources of distribution shifts. We demonstrate how these techniques significantly improve out-of-distribution generalization and robustness to imaging variations across a wide range of transformations in cardiac cine MRI and prostate MRI segmentation. We quantitatively find that these augmentation methods enhance learned feature representations by promoting separability and compactness. Additionally, we highlight how their integration into nnU-Net training pipelines provides an easy-to-implement, effective solution for enhancing the reliability of medical segmentation models in real-world applications.
• Abstract（参考訳）: 医用画像セグメンテーションモデルは、しばしばキュレートされたデータセットでトレーニングされ、トレーニングとテスト分布のミスマッチによる実際の臨床環境でのデプロイ時のパフォーマンス低下につながる。 データ拡張技術はこれらの課題に対処するために広く使用されているが、従来の視覚的に一貫した拡張戦略は、さまざまな現実のシナリオに必要な堅牢さを欠いている。 本研究では,MixUp と Auxiliary Fourier Augmentation に着目し,代替拡張戦略を体系的に評価する。 これらの方法は、分布シフトの特定の源を明示することなく、多変量の影響を緩和する。 心血管MRIおよび前立腺MRIにおける画像変化に対する分布外一般化とロバスト性について検討した。 これらの拡張手法は,分離性とコンパクト性を促進することによって,学習した特徴表現を高めることを定量的に見出した。 さらに、nnU-Netトレーニングパイプラインへの統合が、実世界のアプリケーションにおける医療セグメンテーションモデルの信頼性を高めるための、実装が容易で効果的なソリューションを提供する方法について強調する。

関連論文リスト

• Adaptive Aggregation Weights for Federated Segmentation of Pancreas MRI [5.631060921219683]
  フェデレートラーニング(FL)は、機密データを共有することなく、機関間で協調的なモデルトレーニングを可能にする。 フェデレート平均化(FedAvg)のような従来のFLメソッドは、ドメイン間の一般化において困難に直面している。 本稿では適応的なアグリゲーション重みを取り入れた新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-10-29T20:53:01Z)
• 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)
• Data Augmentation-Based Unsupervised Domain Adaptation In Medical Imaging [0.709016563801433]
  脳MRI領域分割における堅牢な領域適応のための教師なし手法を提案する。 その結果,提案手法は高い精度を実現し,幅広い適用性を示し,各種タスクにおけるドメインシフトに対する顕著な堅牢性を示した。
  論文  参考訳（メタデータ） (2023-08-08T17:00:11Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• Segmentation Consistency Training: Out-of-Distribution Generalization for Medical Image Segmentation [2.0978389798793873]
  一般化可能性(Generalizability)は、特に医用画像の領域において、ディープラーニングにおける大きな課題の1つと見なされている。 本稿では,データ拡張の代替として,一貫性トレーニング(Consistency Training)を導入する。 一貫性トレーニングは、いくつかのアウト・オブ・ディストリビューションデータセットにおいて、従来のデータ拡張よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-05-30T20:57:15Z)
• Shape-aware Meta-learning for Generalizing Prostate MRI Segmentation to Unseen Domains [68.73614619875814]
  前立腺MRIのセグメント化におけるモデル一般化を改善するために,新しい形状認識メタラーニング手法を提案する。 実験結果から,本手法は未確認領域の6つの設定すべてにおいて,最先端の一般化手法を一貫して上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2020-07-04T07:56:02Z)
• Robust Multimodal Brain Tumor Segmentation via Feature Disentanglement and Gated Fusion [71.87627318863612]
  画像モダリティの欠如に頑健な新しいマルチモーダルセグメンテーションフレームワークを提案する。 我々のネットワークは、入力モードをモダリティ固有の外観コードに分解するために、特徴不整合を用いる。 我々は,BRATSチャレンジデータセットを用いて,重要なマルチモーダル脳腫瘍セグメンテーション課題に対する本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2020-02-22T14:32:04Z)
• Automatic Data Augmentation via Deep Reinforcement Learning for Effective Kidney Tumor Segmentation [57.78765460295249]
  医用画像セグメンテーションのための新しい学習ベースデータ拡張法を開発した。 本手法では,データ拡張モジュールと後続のセグメンテーションモジュールをエンドツーエンドのトレーニング方法で一貫した損失と,革新的に組み合わせる。 提案法の有効性を検証したCT腎腫瘍分節法について,本法を広範囲に評価した。
  論文  参考訳（メタデータ） (2020-02-22T14:10:13Z)
• MS-Net: Multi-Site Network for Improving Prostate Segmentation with Heterogeneous MRI Data [75.73881040581767]
  本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。 当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2020-02-09T14:11:50Z)

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。