論文の概要: Bridging the Inter-Domain Gap through Low-Level Features for Cross-Modal Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2505.11909v1
• Date: Sat, 17 May 2025 08:49:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:10.933695
• Title: Bridging the Inter-Domain Gap through Low-Level Features for Cross-Modal Medical Image Segmentation
• Title（参考訳）: クロスモーダル・メディカル・イメージ・セグメンテーションのための低レベル特徴によるドメイン間ギャップのブリッジ
• Authors: Pengfei Lyu, Pak-Hei Yeung, Xiaosheng Yu, Jing Xia, Jianning Chi, Chengdong Wu, Jagath C. Rajapakse,
• Abstract要約: 本稿では、教師なし領域適応(UDA)アプローチを探求し、モーダルな医療画像セグメンテーションの課題に対処する。 モデルに依存しないUDAフレームワークであるLowBridgeを提案する。これは、クロスモーダルな画像が、同じ構造を描いているように、似たような低レベルな特徴(エッジなど)を共有しているという単純な観察に基づいている。 テスト時に、対象画像からのエッジ特徴を事前訓練された生成モデルに入力し、ソーススタイルのターゲットドメイン画像を生成し、事前訓練されたセグメンテーションネットワークを用いてセグメント化する。
• 参考スコア（独自算出の注目度）: 8.582475563483465
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper addresses the task of cross-modal medical image segmentation by exploring unsupervised domain adaptation (UDA) approaches. We propose a model-agnostic UDA framework, LowBridge, which builds on a simple observation that cross-modal images share some similar low-level features (e.g., edges) as they are depicting the same structures. Specifically, we first train a generative model to recover the source images from their edge features, followed by training a segmentation model on the generated source images, separately. At test time, edge features from the target images are input to the pretrained generative model to generate source-style target domain images, which are then segmented using the pretrained segmentation network. Despite its simplicity, extensive experiments on various publicly available datasets demonstrate that \proposed achieves state-of-the-art performance, outperforming eleven existing UDA approaches under different settings. Notably, further ablation studies show that \proposed is agnostic to different types of generative and segmentation models, suggesting its potential to be seamlessly plugged with the most advanced models to achieve even more outstanding results in the future. The code is available at https://github.com/JoshuaLPF/LowBridge.
• Abstract（参考訳）: 本稿では、教師なし領域適応(UDA)アプローチを探求し、モーダルな医療画像セグメンテーションの課題に対処する。 モデルに依存しないUDAフレームワークであるLowBridgeを提案する。これは、クロスモーダルな画像が、同じ構造を描いているように、似たような低レベルな特徴(例えばエッジ)を共有しているという単純な観察に基づいている。 具体的には、まず、生成モデルを訓練し、そのエッジ特徴からソースイメージを復元し、次いで生成されたソースイメージのセグメンテーションモデルを個別に訓練する。 テスト時に、対象画像からのエッジ特徴を事前訓練された生成モデルに入力し、ソーススタイルのターゲットドメイン画像を生成し、事前訓練されたセグメンテーションネットワークを用いてセグメント化する。 その単純さにもかかわらず、さまざまな公開データセットに関する広範な実験は、‘proposed’が最先端のパフォーマンスを実現し、異なる設定下で既存の11のUDAアプローチを上回っていることを示している。 特に、さらなるアブレーション研究により、 \proposed は様々な生成モデルやセグメンテーションモデルに非依存であることが示され、将来より優れた結果を得るために最も先進的なモデルにシームレスに接続できる可能性が示唆された。 コードはhttps://github.com/JoshuaLPF/LowBridge.comで入手できる。

関連論文リスト

• SketchYourSeg: Mask-Free Subjective Image Segmentation via Freehand Sketches [116.1810651297801]
  SketchYourSegは、主観的なイメージセグメンテーションのための強力なクエリモダリティとして、フリーハンドスケッチを確立している。 我々の評価は、様々なベンチマークで既存のアプローチよりも優れた性能を示している。
  論文  参考訳（メタデータ） (2025-01-27T13:07:51Z)
• Few-Shot Medical Image Segmentation with High-Fidelity Prototypes [38.073371773707514]
  本稿では,オブジェクトフォアグラウンドと背景を包括的に表現する高忠実度プロトタイプを構築するための,DSPNet(Detail Self-Refined Prototype Network)を提案する。 得られた詳細セマンティクスを維持しつつグローバルなセマンティクスを構築するために,マルチモーダル構造をクラスタリングでモデル化し,それぞれをチャネル的に融合させることにより,前景のプロトタイプを学習する。
  論文  参考訳（メタデータ） (2024-06-26T05:06:14Z)
• FreeSeg-Diff: Training-Free Open-Vocabulary Segmentation with Diffusion Models [56.71672127740099]
  我々は,閉鎖語彙データセットのトレーニングモデルによって伝統的に解決されるイメージセグメンテーションの課題に焦点をあてる。 我々は、ゼロショットのオープン語彙セグメンテーションのために、異なる、比較的小さなオープンソース基盤モデルを活用している。 当社のアプローチ(別名FreeSeg-Diff)は、トレーニングに依存しないもので、Pascal VOCとCOCOデータセットの両方で多くのトレーニングベースのアプローチより優れています。
  論文  参考訳（メタデータ） (2024-03-29T10:38:25Z)
• Explore In-Context Segmentation via Latent Diffusion Models [132.26274147026854]
  インコンテキストセグメンテーションは、与えられた参照画像を使ってオブジェクトをセグメンテーションすることを目的としている。 既存のほとんどのアプローチでは、視覚的プロンプトと入力画像クエリの相関を構築するために、メトリックラーニングやマスク付きイメージモデリングを採用しています。 この研究は、新しい視点から問題にアプローチし、コンテキスト内セグメンテーションのための潜在拡散モデルの能力を解き放つ。
  論文  参考訳（メタデータ） (2024-03-14T17:52:31Z)
• DG-TTA: Out-of-domain Medical Image Segmentation through Augmentation and Descriptor-driven Domain Generalization and Test-Time Adaptation [43.842694540544194]
  ドメイン外の画像に事前訓練された深層学習セグメンテーションモデルを適用すると、品質の不足を予測できる。 本研究では、拡張とともに強力な一般化記述子を用いて、ドメイン一般化事前学習とテスト時間適応を実現することを提案する。
  論文  参考訳（メタデータ） (2023-12-11T10:26:21Z)
• Finding an Unsupervised Image Segmenter in Each of Your Deep Generative Models [92.92095626286223]
  我々は,前景・後景画像分離に繋がる方向を求める自動手順を開発した。 これらの方向を用いて、人間の監督なしに画像分割モデルを訓練する。
  論文  参考訳（メタデータ） (2021-05-17T19:34:24Z)
• SCNet: Enhancing Few-Shot Semantic Segmentation by Self-Contrastive Background Prototypes [56.387647750094466]
  Few-shot セマンティックセマンティックセマンティクスは,クエリイメージ内の新規クラスオブジェクトを,アノテーション付きの例で分割することを目的としている。 先進的なソリューションのほとんどは、各ピクセルを学習した前景のプロトタイプに合わせることでセグメンテーションを行うメトリクス学習フレームワークを利用している。 このフレームワークは、前景プロトタイプのみとのサンプルペアの不完全な構築のために偏った分類に苦しんでいます。
  論文  参考訳（メタデータ） (2021-04-19T11:21:47Z)
• Group-Wise Semantic Mining for Weakly Supervised Semantic Segmentation [49.90178055521207]
  この研究は、画像レベルのアノテーションとピクセルレベルのセグメンテーションのギャップを埋めることを目標に、弱い監督されたセマンティックセグメンテーション(WSSS)に対処する。 画像群における意味的依存関係を明示的にモデル化し,より信頼性の高い擬似的基盤構造を推定する,新たなグループ学習タスクとしてWSSSを定式化する。 特に、入力画像がグラフノードとして表現されるグループ単位のセマンティックマイニングのためのグラフニューラルネットワーク(GNN)を考案する。
  論文  参考訳（メタデータ） (2020-12-09T12:40:13Z)

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。