論文の概要: Learning Semantic Directions for Feature Augmentation in Domain-Generalized Medical Segmentation
- arxiv url: http://arxiv.org/abs/2507.23326v1
- Date: Thu, 31 Jul 2025 08:14:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-01 17:19:09.312292
- Title: Learning Semantic Directions for Feature Augmentation in Domain-Generalized Medical Segmentation
- Title(参考訳): 領域一般化医療セグメントにおける特徴増強のための意味的方向性の学習
- Authors: Yingkai Wang, Yaoyao Zhu, Xiuding Cai, Yuhao Xiao, Haotian Wu, Yu Yao,
- Abstract要約: 医用画像分割に適した領域一般化フレームワークを提案する。
提案手法は,ドメイン統計に導かれる暗黙的特徴摂動を導入することにより,ドメイン固有の変動に対する堅牢性を向上させる。
私たちのフレームワークは、既存のドメインの一般化アプローチを一貫して上回ります。
- 参考スコア(独自算出の注目度): 9.669116640409403
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Medical image segmentation plays a crucial role in clinical workflows, but domain shift often leads to performance degradation when models are applied to unseen clinical domains. This challenge arises due to variations in imaging conditions, scanner types, and acquisition protocols, limiting the practical deployment of segmentation models. Unlike natural images, medical images typically exhibit consistent anatomical structures across patients, with domain-specific variations mainly caused by imaging conditions. This unique characteristic makes medical image segmentation particularly challenging. To address this challenge, we propose a domain generalization framework tailored for medical image segmentation. Our approach improves robustness to domain-specific variations by introducing implicit feature perturbations guided by domain statistics. Specifically, we employ a learnable semantic direction selector and a covariance-based semantic intensity sampler to modulate domain-variant features while preserving task-relevant anatomical consistency. Furthermore, we design an adaptive consistency constraint that is selectively applied only when feature adjustment leads to degraded segmentation performance. This constraint encourages the adjusted features to align with the original predictions, thereby stabilizing feature selection and improving the reliability of the segmentation. Extensive experiments on two public multi-center benchmarks show that our framework consistently outperforms existing domain generalization approaches, achieving robust and generalizable segmentation performance across diverse clinical domains.
- Abstract(参考訳): 医用画像のセグメンテーションは、臨床ワークフローにおいて重要な役割を果たすが、モデルが見えない臨床領域に適用された場合、ドメインシフトは、しばしばパフォーマンスの低下につながる。
この課題は、画像条件、スキャナータイプ、取得プロトコルのバリエーションによって起こり、セグメンテーションモデルの実用的展開が制限される。
自然画像とは異なり、医用画像は一般的に患者全体にわたって一貫した解剖学的構造を示す。
この特徴は、医用画像のセグメンテーションを特に困難にしている。
この課題に対処するために,医用画像分割に適した領域一般化フレームワークを提案する。
提案手法は,ドメイン統計に導かれる暗黙的特徴摂動を導入することにより,ドメイン固有の変動に対する堅牢性を向上させる。
具体的には、学習可能な意味方向セレクタと共分散に基づく意味強度サンプリング器を用いて、タスク関連解剖学的一貫性を維持しながら、ドメイン変分の特徴を変調する。
さらに,特徴調整が劣化セグメンテーション性能に繋がる場合にのみ選択的に適用可能な適応整合制約を設計する。
この制約は、調整された特徴を元の予測に合わせるように促し、特徴の選択を安定化させ、セグメンテーションの信頼性を向上させる。
2つのパブリックなマルチセンターベンチマークの大規模な実験により、我々のフレームワークは既存のドメインの一般化アプローチを一貫して上回り、様々な臨床領域で堅牢で一般化可能なセグメンテーション性能を実現している。
関連論文リスト
- Structure-Aware Stylized Image Synthesis for Robust Medical Image Segmentation [10.776242801237862]
本稿では,拡散モデルと構造保存ネットワークを組み合わせた新しい医用画像分割手法を提案する。
本手法は, 病変の位置, サイズ, 形状を維持しつつ, 様々なソースからの画像を一貫したスタイルに変換することで, 領域シフトを効果的に軽減する。
論文 参考訳(メタデータ) (2024-12-05T16:15:32Z) - 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) - Language Guided Domain Generalized Medical Image Segmentation [68.93124785575739]
単一ソースドメインの一般化は、より信頼性が高く一貫性のあるイメージセグメンテーションを現実の臨床環境にわたって約束する。
本稿では,テキストエンコーダ機能によって案内されるコントラスト学習機構を組み込むことで,テキスト情報を明確に活用する手法を提案する。
文献における既存手法に対して,本手法は良好な性能を発揮する。
論文 参考訳(メタデータ) (2024-04-01T17:48:15Z) - Multi Task Consistency Guided Source-Free Test-Time Domain Adaptation
Medical Image Segmentation [8.591386126583748]
医用画像セグメンテーションのためのソースフリーテストタイム適応は、ターゲット領域の様々なテストセットへのセグメンテーションモデルの適応性を高めることを目的としている。
ターゲットエッジとペア入力の整合性の確保は、テスト時間適応に不可欠である。
ソースフリーなテスト時間領域適応医療画像セグメンテーション手法を提案する。
論文 参考訳(メタデータ) (2023-10-18T07:49:24Z) - 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) - Margin Preserving Self-paced Contrastive Learning Towards Domain
Adaptation for Medical Image Segmentation [51.93711960601973]
クロスモーダル医療画像セグメンテーションのための自己ペースコントラスト学習モデルを保存する新しいマージンを提案する。
プログレッシブに洗練されたセマンティックプロトタイプの指導により、埋め込み表現空間の識別性を高めるために、コントラスト損失を減少させる新しいマージンが提案される。
クロスモーダル心セグメンテーションタスクの実験は、MPSCLが意味セグメンテーション性能を大幅に改善することを示した。
論文 参考訳(メタデータ) (2021-03-15T15:23:10Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳(メタデータ) (2020-12-10T04:01:07Z) - Unsupervised Bidirectional Cross-Modality Adaptation via Deeply
Synergistic Image and Feature Alignment for Medical Image Segmentation [73.84166499988443]
我々は、Synergistic Image and Feature Alignment (SIFA)と名付けられた新しい教師なしドメイン適応フレームワークを提案する。
提案するSIFAは、画像と特徴の両方の観点から、ドメインの相乗的アライメントを行う。
2つの異なるタスクに対する実験結果から,SIFA法は未ラベル対象画像のセグメンテーション性能を向上させるのに有効であることが示された。
論文 参考訳(メタデータ) (2020-02-06T13:49:47Z)
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。