論文の概要: UNISELF: A Unified Network with Instance Normalization and Self-Ensembled Lesion Fusion for Multiple Sclerosis Lesion Segmentation

• arxiv url: http://arxiv.org/abs/2508.03982v1
• Date: Wed, 06 Aug 2025 00:29:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-07 20:09:22.479372
• Title: UNISELF: A Unified Network with Instance Normalization and Self-Ensembled Lesion Fusion for Multiple Sclerosis Lesion Segmentation
• Title（参考訳）: UNISELF:多発性硬化症病変分節に対するインスタンス正規化と自己結束型病変融合を併用した統合ネットワーク
• Authors: Jinwei Zhang, Lianrui Zuo, Blake E. Dewey, Samuel W. Remedios, Yihao Liu, Savannah P. Hays, Dzung L. Pham, Ellen M. Mowry, Scott D. Newsome, Peter A. Calabresi, Aaron Carass, Jerry L. Prince,
• Abstract要約: 一つのトレーニング領域内で高い精度を達成し、複数のドメイン外テストデータセットにまたがる強力な一般化性を実現するUNISELFを提案する。 UNISELFは、セグメンテーション精度を向上させるために、新しいテスト時間自己アンサンブルド病変融合を使用している。 チャレンジテストデータセットで最高のパフォーマンスの方法の1つだ。
• 参考スコア（独自算出の注目度）: 5.350204471649545
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Automated segmentation of multiple sclerosis (MS) lesions using multicontrast magnetic resonance (MR) images improves efficiency and reproducibility compared to manual delineation, with deep learning (DL) methods achieving state-of-the-art performance. However, these DL-based methods have yet to simultaneously optimize in-domain accuracy and out-of-domain generalization when trained on a single source with limited data, or their performance has been unsatisfactory. To fill this gap, we propose a method called UNISELF, which achieves high accuracy within a single training domain while demonstrating strong generalizability across multiple out-of-domain test datasets. UNISELF employs a novel test-time self-ensembled lesion fusion to improve segmentation accuracy, and leverages test-time instance normalization (TTIN) of latent features to address domain shifts and missing input contrasts. Trained on the ISBI 2015 longitudinal MS segmentation challenge training dataset, UNISELF ranks among the best-performing methods on the challenge test dataset. Additionally, UNISELF outperforms all benchmark methods trained on the same ISBI training data across diverse out-of-domain test datasets with domain shifts and missing contrasts, including the public MICCAI 2016 and UMCL datasets, as well as a private multisite dataset. These test datasets exhibit domain shifts and/or missing contrasts caused by variations in acquisition protocols, scanner types, and imaging artifacts arising from imperfect acquisition. Our code is available at https://github.com/uponacceptance.
• Abstract（参考訳）: マルチコントラスト磁気共鳴(MR)画像を用いた多発性硬化症(MS)病変の自動切除は,手動のデライン化よりも効率と再現性が向上する。 しかし、これらのDLベースの手法は、限られたデータを持つ単一のソースで訓練された場合、ドメイン内精度とドメイン外一般化を同時に最適化していない。 このギャップを埋めるために,UNISELFと呼ばれる手法を提案し,複数の領域外テストデータセットに対して強い一般化性を示しながら,単一のトレーニング領域内で高い精度を実現する。 UNISELFは、セグメンテーション精度を向上させるために新しいテストタイム自己アンサンブルド病変融合を採用し、潜在機能のテストタイムインスタンス正規化(TTIN)を活用して、ドメインシフトと入力コントラストの欠如に対処する。 ISBI 2015経時的なMSセグメンテーションチャレンジトレーニングデータセットに基づいてトレーニングされたUNISELFは、チャレンジテストデータセット上で最高のパフォーマンスの方法の1つである。 さらに、UNISELFは、パブリックMICCAI 2016やUMCLデータセット、プライベートマルチサイトデータセットなど、ドメインシフトやコントラストの欠如を含むドメイン外のさまざまなテストデータセットで、同じISBIトレーニングデータセットでトレーニングされたすべてのベンチマークメソッドを上回ります。 これらのテストデータセットは、不完全な取得に起因する取得プロトコル、スキャナータイプ、イメージングアーティファクトの変化に起因するドメインシフトや/または不足コントラストを示す。 私たちのコードはhttps://github.com/uponacceptance.comで利用可能です。

関連論文リスト

• ADAptation: Reconstruction-based Unsupervised Active Learning for Breast Ultrasound Diagnosis [11.49367029555765]
  ディープラーニングベースの診断モデルは、トレーニング(ソース)とテスト(ターゲット)ドメイン間の分散シフトによって、パフォーマンス低下を被ることが多い。 本稿では、適応ドメインのための教師なしアクティブ学習フレームワークADAptationを提案する。 本手法は,アノテーション予算に制限されたマルチドメインデータプールから情報サンプルを効率よく選択する。
  論文  参考訳（メタデータ） (2025-07-01T06:45:02Z)
• 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)
• IT$^3$: Idempotent Test-Time Training [95.78053599609044]
  ディープラーニングモデルは、トレーニングデータとテストデータの間の分散シフトのために、現実世界の環境にデプロイする際に苦労することが多い。 Idempotent Test-Time Training (IT$3$) は、現在のテストインスタンスのみを使用して、分散シフトへのオンザフライ適応を可能にする新しいアプローチである。 この結果から,イデオポテンスはドメインやアーキテクチャをまたいで一般化するテスト時間適応の普遍的原理を提供すると考えられる。
  論文  参考訳（メタデータ） (2024-10-05T15:39:51Z)
• Deep Domain Isolation and Sample Clustered Federated Learning for Semantic Segmentation [2.515027627030043]
  本稿では,2次元セグメンテーションタスクにおける参加者間の共変量変化の影響を初めて検討する。 我々は、モデルの勾配空間内で直接画像領域を分離するディープドメイン分離(DDI)を開発する。 我々は,このクラスタリングアルゴリズムをSCFL(Sample Clustered Federated Learning)フレームワークを通じて活用する。
  論文  参考訳（メタデータ） (2024-10-04T12:43:07Z)
• UniTTA: Unified Benchmark and Versatile Framework Towards Realistic Test-Time Adaptation [66.05528698010697]
  Test-Time Adaptationは、テスト中にトレーニング済みのモデルを対象のドメインに適応させることを目的としている。 研究者は様々な挑戦シナリオを特定し、これらの課題に対処するための様々な方法を開発した。 本稿では,包括的かつ広く適用可能な統一テスト時間適応ベンチマークを提案する。
  論文  参考訳（メタデータ） (2024-07-29T15:04:53Z)
• Towards an accurate and generalizable multiple sclerosis lesion segmentation model using self-ensembled lesion fusion [4.024932070294212]
  そこで我々は,よく知られたU-Netアーキテクチャを用いて,精度よく一般化可能なMS病変分割モデルを構築した。 新たな自己アンサンブル型病変融合戦略が提案され, 最高の性能を達成できただけでなく, 様々な自己アンサンブルパラメータの選択に対して頑健性を示した。
  論文  参考訳（メタデータ） (2023-12-03T17:08:10Z)
• 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)
• Consistency Regularization for Generalizable Source-free Domain Adaptation [62.654883736925456]
  ソースフリードメイン適応(source-free domain adapt, SFDA)は、ソースデータセットにアクセスすることなく、十分にトレーニングされたソースモデルを未学習のターゲットドメインに適応することを目的としている。 既存のSFDAメソッドは、ターゲットのトレーニングセット上で適用されたモデルを評価し、目に見えないが同一の分散テストセットからデータを無視する。 より一般化可能なSFDA法を開発するための整合正則化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-03T07:45:53Z)
• Generalizable Metric Network for Cross-domain Person Re-identification [55.71632958027289]
  クロスドメイン(ドメインの一般化)シーンは、Re-IDタスクにおいて課題となる。 既存のほとんどのメソッドは、すべてのドメインのドメイン不変またはロバストな機能を学ぶことを目的としています。 本稿では,サンプルペア空間における標本類似性を調べるために,GMN(Generalizable Metric Network)を提案する。
  論文  参考訳（メタデータ） (2023-06-21T03:05:25Z)
• Cluster-level pseudo-labelling for source-free cross-domain facial expression recognition [94.56304526014875]
  表情認識のためのSFUDA法を提案する。 本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。 提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-11T08:24:50Z)
• Multi-Domain Adversarial Feature Generalization for Person Re-Identification [52.835955258959785]
  マルチデータセット特徴一般化ネットワーク(MMFA-AAE)を提案する。 複数のラベル付きデータセットから普遍的なドメイン不変の特徴表現を学習し、それを見えないカメラシステムに一般化することができる。 また、最先端の教師付き手法や教師なしのドメイン適応手法を大きなマージンで超えている。
  論文  参考訳（メタデータ） (2020-11-25T08:03:15Z)
• Cross-Domain Segmentation with Adversarial Loss and Covariate Shift for Biomedical Imaging [2.1204495827342438]
  本論文は,異なるモダリティから異なるパターンと共有パターンをカプセル化することにより,ドメイン間データから堅牢な表現を学習できる新しいモデルの実現を目的とする。 正常な臨床試験で得られたCTおよびMRI肝データに対する試験は、提案したモデルが他のすべてのベースラインを大きなマージンで上回っていることを示している。
  論文  参考訳（メタデータ） (2020-06-08T07:35:55Z)

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。