論文の概要: LangDAug: Langevin Data Augmentation for Multi-Source Domain Generalization in Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2505.19659v1
• Date: Mon, 26 May 2025 08:18:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:43.271238
• Title: LangDAug: Langevin Data Augmentation for Multi-Source Domain Generalization in Medical Image Segmentation
• Title（参考訳）: LangDAug: Langevin Data Augmentation for Multi-Source Domain Generalization in Medical Image Segmentation
• Authors: Piyush Tiwary, Kinjawl Bhattacharyya, Prathosh A. P,
• Abstract要約: ドメイン一般化(DG)手法は、表現学習またはデータ拡張(DAug)を通じてこれを克服する。 2次元医用画像セグメンテーションにおけるマルチソース領域一般化のための新しい$textbf$evin $textbfD$ata $textbfAug$mentationであるLangDAugを提案する。 我々は、LangDAugが最先端のドメイン一般化手法より優れており、既存のドメインランダム化アプローチを効果的に補完していることを示す。
• 参考スコア（独自算出の注目度）: 5.9862846364925115
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical image segmentation models often struggle to generalize across different domains due to various reasons. Domain Generalization (DG) methods overcome this either through representation learning or data augmentation (DAug). While representation learning methods seek domain-invariant features, they often rely on ad-hoc techniques and lack formal guarantees. DAug methods, which enrich model representations through synthetic samples, have shown comparable or superior performance to representation learning approaches. We propose LangDAug, a novel $\textbf{Lang}$evin $\textbf{D}$ata $\textbf{Aug}$mentation for multi-source domain generalization in 2D medical image segmentation. LangDAug leverages Energy-Based Models (EBMs) trained via contrastive divergence to traverse between source domains, generating intermediate samples through Langevin dynamics. Theoretical analysis shows that LangDAug induces a regularization effect, and for GLMs, it upper-bounds the Rademacher complexity by the intrinsic dimensionality of the data manifold. Through extensive experiments on Fundus segmentation and 2D MRI prostate segmentation benchmarks, we show that LangDAug outperforms state-of-the-art domain generalization methods and effectively complements existing domain-randomization approaches. The codebase for our method is available at https://github.com/backpropagator/LangDAug.
• Abstract（参考訳）: 医用画像セグメンテーションモデルは、様々な理由から、様々な領域にまたがる一般化に苦慮することが多い。 ドメイン一般化(DG)手法は、表現学習またはデータ拡張(DAug)によってこれを克服する。 表現学習手法はドメイン不変の特徴を求めるが、しばしばアドホックな手法に頼り、正式な保証がない。 合成サンプルを通してモデル表現を豊かにするDAug法は、表現学習手法に匹敵する、あるいは優れた性能を示す。 本稿では,2次元医用画像セグメンテーションにおけるマルチソース領域の一般化のための新規な$\textbf{Lang}$evin $\textbf{D}$ata $\textbf{Aug}$mentationであるLangDAugを提案する。 LangDAugは、コントラッシブ・ディペンジェンスによって訓練されたエネルギーベースモデル(EBM)を利用して、ソースドメイン間のトラバースを行い、ランゲヴィンダイナミクスを通じて中間サンプルを生成する。 理論的解析により、ラングダウグは正規化効果を誘導し、GLMに対して、データ多様体の内在次元によりラデマッハ複雑性を上界に導くことが示されている。 Fundusセグメンテーションと2次元MRI前立腺セグメンテーションベンチマークの広範な実験を通して、LangDAugは最先端のドメイン一般化手法より優れ、既存のドメインランダム化アプローチを効果的に補完することを示した。 私たちのメソッドのコードベースはhttps://github.com/backpropagator/LangDAug.orgで公開されています。

関連論文リスト

• Test-Time Domain Generalization via Universe Learning: A Multi-Graph Matching Approach for Medical Image Segmentation [17.49123106322442]
  テスト時間適応(TTA)は、未ラベルのテストデータを用いて学習モデルを調整する。 形態情報を導入し,マルチグラフマッチングに基づくフレームワークを提案する。 本手法は,2つの医用画像セグメンテーションベンチマークにおいて,他の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2025-03-17T10:11:11Z)
• 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)
• DGInStyle: Domain-Generalizable Semantic Segmentation with Image Diffusion Models and Stylized Semantic Control [68.14798033899955]
  大規模で事前訓練された潜伏拡散モデル(LDM)は、創造的コンテンツを生成できる異常な能力を示した。 しかし、それらは例えば、セマンティックセグメンテーションのような知覚スタックのタスクを改善するために、大規模なデータジェネレータとして使用できますか? 自律運転の文脈でこの疑問を考察し、「はい」という言い換えで答える。
  論文  参考訳（メタデータ） (2023-12-05T18:34:12Z)
• Frequency-mixed Single-source Domain Generalization for Medical Image Segmentation [29.566769388674473]
  医用画像セグメンテーションの欠如は、ディープラーニングモデルのための十分なトレーニングデータを集める上での課題となっている。 周波数混合単一ソース領域一般化法(FreeSDG)という新しい手法を提案する。 3つのモードの5つのデータセットに対する実験結果から,提案アルゴリズムの有効性が示された。
  論文  参考訳（メタデータ） (2023-07-18T06:44:45Z)
• Treasure in Distribution: A Domain Randomization based Multi-Source Domain Generalization for 2D Medical Image Segmentation [20.97329150274455]
  本稿では,Treasure in Distribution (TriD) と呼ばれるマルチソース領域一般化手法を提案する。 TriDは、一様分布からランダムにサンプリングすることで、強靭性のあるモデルを得るために、前例のない探索空間を構築する。 2つの医学的セグメンテーションタスクの実験により、我々のTriDは、目に見えないターゲットドメインデータに対して優れた一般化性能を達成できることを示した。
  論文  参考訳（メタデータ） (2023-05-31T15:33:57Z)
• Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
  本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。 具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。 提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-05-17T10:11:45Z)
• Learning to Generate Novel Domains for Domain Generalization [115.21519842245752]
  本稿では,未知の領域によく一般化するモデルとして,複数のソースドメインから学習するタスクに焦点を当てる。 我々は、擬似ノーベル領域からデータを合成し、ソースドメインを増強するためにデータジェネレータを用いる。 我々の手法であるL2A-OTは、4つのベンチマークデータセット上で現在最先端のDG手法より優れています。
  論文  参考訳（メタデータ） (2020-07-07T09:34:17Z)
• 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)

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。