論文の概要: ConStyX: Content Style Augmentation for Generalizable Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2506.10675v1
• Date: Thu, 12 Jun 2025 13:04:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 15:37:22.746031
• Title: ConStyX: Content Style Augmentation for Generalizable Medical Image Segmentation
• Title（参考訳）: ConStyX: 一般化可能な医用画像セグメンテーションのためのコンテンツスタイル拡張
• Authors: Xi Chen, Zhiqiang Shen, Peng Cao, Jinzhu Yang, Osmar R. Zaiane,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 26.01939587264357
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical images are usually collected from multiple domains, leading to domain shifts that impair the performance of medical image segmentation models. Domain Generalization (DG) aims to address this issue by training a robust model with strong generalizability. Recently, numerous domain randomization-based DG methods have been proposed. However, these methods suffer from the following limitations: 1) constrained efficiency of domain randomization due to their exclusive dependence on image style perturbation, and 2) neglect of the adverse effects of over-augmented images on model training. To address these issues, we propose a novel domain randomization-based DG method, called content style augmentation (ConStyX), for generalizable medical image segmentation. Specifically, ConStyX 1) augments the content and style of training data, allowing the augmented training data to better cover a wider range of data domains, and 2) leverages well-augmented features while mitigating the negative effects of over-augmented features during model training. Extensive experiments across multiple domains demonstrate that our ConStyX achieves superior generalization performance. The code is available at https://github.com/jwxsp1/ConStyX.
• Abstract（参考訳）: 医療画像は通常、複数のドメインから収集され、医療画像セグメンテーションモデルの性能を損なう領域シフトにつながる。 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でこの問題に対処することを目的としている。 近年,ドメインランダム化に基づくDG法が多数提案されている。 しかし、これらの方法には以下の制限がある。 1)画像スタイルの摂動への排他的依存による領域ランダム化の制約された効率、及び 2) 過剰拡大画像のモデルトレーニングに対する悪影響を無視する。 このような問題に対処するために,コンテントスタイル拡張(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。 具体的には、ConStyX 1) 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をより広範囲のデータドメインをよりよくカバーできるようにし、 2) モデルトレーニング中に過剰に増強された特徴の負の効果を緩和しながら、十分に増強された特徴を活用する。 複数の領域にわたる大規模な実験により、私たちのConStyXはより優れた一般化性能を達成できることを示した。 コードはhttps://github.com/jwxsp1/ConStyXで公開されている。

関連論文リスト

• Spectral Adversarial MixUp for Few-Shot Unsupervised Domain Adaptation [72.70876977882882]
  臨床応用においては、トレーニング画像(ソース領域)とテスト画像(ターゲット領域)が異なる分布下にある場合、ドメインシフトは一般的な問題である。 本稿では,Few-Shot Unsupervised Domain Adaptation (FSUDA) の新たな手法を提案する。
  論文  参考訳（メタデータ） (2023-09-03T16:02:01Z)
• 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)
• Domain Adaptive and Generalizable Network Architectures and Training Strategies for Semantic Image Segmentation [108.33885637197614]
  教師なしドメイン適応(UDA)とドメイン一般化(DG)により、ソースドメインでトレーニングされた機械学習モデルは、ラベルなしまたは目に見えないターゲットドメインでうまく機能する。 UDA&DGのマルチレゾリューション・フレームワークであるHRDAを提案する。このフレームワークは、細かなセグメンテーションの詳細を保存するための小さな高分解能作物の強度と、学習されたスケールの注意を伴って長距離のコンテキスト依存を捕捉する大規模な低分解能作物の強度を組み合わせたものである。
  論文  参考訳（メタデータ） (2023-04-26T15:18:45Z)
• Domain Generalization with Adversarial Intensity Attack for Medical Image Segmentation [27.49427483473792]
  実世界のシナリオでは、トレーニング中に露出していない新しいドメインや異なるドメインのデータに遭遇することが一般的である。 ドメイン一般化(Domain Generalization, DG)は、モデルがこれまで見つからなかったドメインからのデータを扱うことを可能にする、有望な方向である。 本稿では,敵対的トレーニングを活用して無限のスタイルでトレーニングデータを生成する,AdverIN(Adversarial Intensity Attack)と呼ばれる新しいDG手法を提案する。
  論文  参考訳（メタデータ） (2023-04-05T19:40:51Z)
• Single-domain Generalization in Medical Image Segmentation via Test-time Adaptation from Shape Dictionary [64.5632303184502]
  ドメインの一般化は通常、モデル学習のために複数のソースドメインからのデータを必要とする。 本稿では,1つのソースドメインのみで最悪のシナリオ下でモデルを学習し,異なる未確認対象ドメインに直接一般化する,重要な単一ドメインの一般化問題について考察する。 本稿では,領域間で不変なセグメンテーションのセグメンテーション先情報を抽出し,統合する医用画像セグメンテーションにおいて,この問題に対処する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-06-29T08:46:27Z)
• Contrastive Domain Disentanglement for Generalizable Medical Image Segmentation [12.863227646939563]
  本稿では,一般的な医用画像分割のためのコントラストディスタングル・ドメイン(CDD)ネットワークを提案する。 まず、医用画像を解剖学的表現因子とモダリティ表現因子に分解する不整合ネットワークを導入する。 次に、モデル一般化学習のための新しい領域をランダムに生成できる領域拡張戦略を提案する。
  論文  参考訳（メタデータ） (2022-05-13T10:32:41Z)
• Beyond ImageNet Attack: Towards Crafting Adversarial Examples for Black-box Domains [80.11169390071869]
  敵対的な例は、転送可能な性質のため、ディープニューラルネットワークに深刻な脅威をもたらしている。 ブラックボックス領域への転送可能性を調べるために,Beyond ImageNet Attack (BIA)を提案する。 提案手法は, 最先端手法を最大7.71%(粗粒領域)と25.91%(細粒領域)で平均的に上回っている。
  論文  参考訳（メタデータ） (2022-01-27T14:04:27Z)
• Causality-inspired Single-source Domain Generalization for Medical Image Segmentation [12.697945585457441]
  合成ドメインシフトトレーニング例にセグメンテーションモデルを公開するための簡単なデータ拡張手法を提案する。 具体的には,1)画像強度とテクスチャの相違に頑健な深層モデルを実現するために,ランダムに重み付けされた浅層ネットワーク群を用いる。 我々は、ネットワークが予測を行うためのドメイン固有の手がかりとして捉えうる画像内のオブジェクト間の急激な相関を取り除き、未知のドメインに分解する可能性がある。
  論文  参考訳（メタデータ） (2021-11-24T14:45:17Z)

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。