論文の概要: Dual-Alignment Knowledge Retention for Continual Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2507.03638v1
• Date: Fri, 04 Jul 2025 15:09:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.814416
• Title: Dual-Alignment Knowledge Retention for Continual Medical Image Segmentation
• Title（参考訳）: 連続的医用画像分割のためのデュアルアライメント知識保持
• Authors: Yuxin Ye, Yan Liu, Shujian Yu,
• Abstract要約: 既存の継続学習方法は、タスク間の複雑な依存関係をキャプチャできない。 本稿では,歴史データとネットワーク間の複雑な依存関係の確立と強化により,忘れを緩和する新しい枠組みを提案する。
• 参考スコア（独自算出の注目度）: 24.061916841654806
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Continual learning in medical image segmentation involves sequential data acquisition across diverse domains (e.g., clinical sites), where task interference between past and current domains often leads to catastrophic forgetting. Existing continual learning methods fail to capture the complex dependencies between tasks. We introduce a novel framework that mitigates forgetting by establishing and enhancing complex dependencies between historical data and the network in the present task. Our framework features a dual-alignment strategy, the cross-network alignment (CNA) module aligns the features extracted from the bottleneck layers of the current and previous networks, respectively, while the cross-representation alignment (CRA) module aligns the features learned by the current network from historical buffered data and current input data, respectively. Implementing both types of alignment is a non-trivial task. To address this, we further analyze the linear and nonlinear forms of the well-established Hilbert-Schmidt Independence Criterion (HSIC) and deliberately design feature mapping and feature pairing blocks within the CRA module. Experiments on medical image segmentation task demonstrate our framework's effectiveness in mitigating catastrophic forgetting under domain shifts.
• Abstract（参考訳）: 医用画像のセグメンテーションにおける継続的な学習は、様々な領域(例えば臨床現場)にわたるシーケンシャルなデータ取得を伴う。 既存の継続学習方法は、タスク間の複雑な依存関係をキャプチャできない。 本稿では,歴史データとネットワーク間の複雑な依存関係の確立と強化により,忘れを緩和する新しい枠組みを提案する。 我々のフレームワークは, 相互アライメント戦略を特徴とし, クロスネットワークアライメント(CNA)モジュールは, 現在のネットワークのボトルネック層から抽出した特徴をそれぞれアライメントし, クロス表現アライメント(CRA)モジュールは, それぞれ, 過去のバッファリングデータと現在の入力データから学んだ特徴をアライメントする。 どちらのタイプのアライメントも実装するのは簡単な作業ではありません。 これを解決するために、よく確立されたHilbert-Schmidt Independence Criterion (HSIC) の線形および非線形形式を解析し、CRAモジュール内の特徴マッピングと特徴ペアリングブロックを意図的に設計する。 医用画像分割タスクの実験は、ドメインシフト下での破滅的な忘れを緩和する枠組みの有効性を示す。

関連論文リスト

• Intrapartum Ultrasound Image Segmentation of Pubic Symphysis and Fetal Head Using Dual Student-Teacher Framework with CNN-ViT Collaborative Learning [1.5233179662962222]
  pubic symphysis and fetal head (PSFH) の分節は、労働の進行をモニターし、潜在的に引き起こされる合併症を特定するための重要なステップである。 従来の半教師付き学習アプローチは、主に畳み込みニューラルネットワーク(CNN)に基づく統合ネットワークモデルを利用する。 CNN と Transformer を組み合わせた新しいフレームワークである Dual-Student and Teacher Combining CNN (DSTCT) を導入する。
  論文  参考訳（メタデータ） (2024-09-11T00:57:31Z)
• Improving Anomaly Segmentation with Multi-Granularity Cross-Domain Alignment [17.086123737443714]
  異常セグメンテーションは、画像中の非定型物体を識別する上で重要な役割を担っている。 既存の手法は合成データに顕著な結果を示すが、合成データドメインと実世界のデータドメインの相違を考慮できないことが多い。 シーンと個々のサンプルレベルの両方で、ドメイン間の機能を調和させるのに適した、マルチグラニュラリティ・クロスドメインアライメントフレームワークを導入します。
  論文  参考訳（メタデータ） (2023-08-16T22:54:49Z)
• Continual Vision-Language Representation Learning with Off-Diagonal Information [112.39419069447902]
  CLIPのようなマルチモーダルなコントラスト学習フレームワークは通常、トレーニングに大量の画像テキストサンプルを必要とする。 本稿では,ストリーミングデータを用いた連続CLIPトレーニングの実現可能性について論じる。
  論文  参考訳（メタデータ） (2023-05-11T08:04:46Z)
• Representation Compensation Networks for Continual Semantic Segmentation [79.05769734989164]
  深いニューラルネットワークが破滅的な忘れをせずに新しいクラスを継続的に組み込む必要がある,連続的なセマンティックセマンティックセグメンテーション問題について検討する。 本稿では,従来の知識と新しい知識の両方の表現学習を分離するために,構造的再パラメータ化機構である表現補償(RC)モジュールを提案する。 連続的なクラスセグメンテーションと連続的なドメインセグメンテーションという2つの挑戦的な意味セグメンテーションのシナリオについて実験を行う。
  論文  参考訳（メタデータ） (2022-03-10T14:48:41Z)
• Self-semantic contour adaptation for cross modality brain tumor segmentation [13.260109561599904]
  本稿では,前駆的なタスクへの適応を容易にするために,低レベルエッジ情報を活用することを提案する。 正確な輪郭は、意味適応を導くために空間情報を提供する。 われわれはBraTS2018データベース上で脳腫瘍のクロスモーダルセグメンテーションの枠組みについて検討した。
  論文  参考訳（メタデータ） (2022-01-13T15:16:55Z)
• 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)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)

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。