論文の概要: Dual-supervised Asymmetric Co-training for Semi-supervised Medical Domain Generalization

• arxiv url: http://arxiv.org/abs/2509.20785v1
• Date: Thu, 25 Sep 2025 06:13:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-26 20:58:12.722584
• Title: Dual-supervised Asymmetric Co-training for Semi-supervised Medical Domain Generalization
• Title（参考訳）: 半教師型医療領域一般化のための二重教師付き非対称協調訓練
• Authors: Jincai Song, Haipeng Chen, Jun Qin, Na Zhao,
• Abstract要約: 医用画像セグメンテーションにおける半教師付きドメイン一般化(SSDG)は、テスト中に見えないドメインに一般化するための有望なソリューションを提供する。 従来のSSDGメソッドでは、トレーニングセットの各ソースドメインに対してラベル付きおよびラベルなしのデータが利用可能であると仮定している。 本稿では,ラベル付きトレーニングデータとラベルなしトレーニングデータの間でドメインシフトが発生する,より実践的で困難なシナリオについて検討する。 既存のSSDG法は、不正確な擬似ラベルのため、そのようなドメインシフト下での準最適性能を示す。
• 参考スコア（独自算出の注目度）: 9.633663242642305
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semi-supervised domain generalization (SSDG) in medical image segmentation offers a promising solution for generalizing to unseen domains during testing, addressing domain shift challenges and minimizing annotation costs. However, conventional SSDG methods assume labeled and unlabeled data are available for each source domain in the training set, a condition that is not always met in practice. The coexistence of limited annotation and domain shift in the training set is a prevalent issue. Thus, this paper explores a more practical and challenging scenario, cross-domain semi-supervised domain generalization (CD-SSDG), where domain shifts occur between labeled and unlabeled training data, in addition to shifts between training and testing sets. Existing SSDG methods exhibit sub-optimal performance under such domain shifts because of inaccurate pseudolabels. To address this issue, we propose a novel dual-supervised asymmetric co-training (DAC) framework tailored for CD-SSDG. Building upon the co-training paradigm with two sub-models offering cross pseudo supervision, our DAC framework integrates extra feature-level supervision and asymmetric auxiliary tasks for each sub-model. This feature-level supervision serves to address inaccurate pseudo supervision caused by domain shifts between labeled and unlabeled data, utilizing complementary supervision from the rich feature space. Additionally, two distinct auxiliary self-supervised tasks are integrated into each sub-model to enhance domain-invariant discriminative feature learning and prevent model collapse. Extensive experiments on real-world medical image segmentation datasets, i.e., Fundus, Polyp, and SCGM, demonstrate the robust generalizability of the proposed DAC framework.
• Abstract（参考訳）: 医用画像セグメンテーションにおける半教師付きドメイン一般化(SSDG)は、テスト中に見えないドメインに一般化し、ドメインシフトの問題に対処し、アノテーションコストを最小限にするための有望なソリューションを提供する。 しかし、従来のSSDG手法では、トレーニングセットの各ソースドメインに対してラベル付きおよびラベルなしのデータが利用可能であると仮定している。 制限付きアノテーションとトレーニングセットにおけるドメインシフトの共存は、一般的な問題である。 そこで本研究では,ラベル付きトレーニングデータとラベルなしトレーニングデータの間でドメインシフトが発生するクロスドメイン半教師付きドメイン一般化(CD-SSDG)と,トレーニングセットとテストセットのシフトを行う。 既存のSSDG法は、不正確な擬似ラベルのため、そのようなドメインシフト下での準最適性能を示す。 この問題に対処するために,CD-SSDGに適した2次元非対称コトレーニング(DAC)フレームワークを提案する。 クロス擬似的な監視を提供する2つのサブモデルを用いた協調学習パラダイムに基づいて、DACフレームワークは、各サブモデルに対して追加的な機能レベルの監視と非対称的な補助タスクを統合する。 この機能レベルの監督は、ラベル付きデータとラベル付きデータの間のドメインシフトによって引き起こされる偽の監督に対処し、リッチな機能空間からの補完的な監督を利用するのに役立つ。 さらに、ドメイン不変の識別的特徴学習を強化し、モデル崩壊を防止するために、各サブモデルに2つの異なる補助的自己監督タスクが組み込まれている。 実世界の医療画像セグメンテーションデータセット、すなわちFundus、Polyp、SCGMに関する大規模な実験は、提案したDACフレームワークの堅牢な一般化性を実証している。

関連論文リスト

• FedSemiDG: Domain Generalized Federated Semi-supervised Medical Image Segmentation [19.87797382888023]
  医用画像の多様性とラベル付きデータの欠如により、医用画像のセグメンテーションは困難である。 本稿では,FedSemiDGの課題に対処するため,FGASL(Federated Generalization-Aware Semi Supervised Learning)という新しいフレームワークを提案する。 提案手法は最先端のFSSLおよびドメインの一般化手法を著しく上回り,未確認領域に対する堅牢な一般化を実現している。
  論文  参考訳（メタデータ） (2025-01-13T14:54:49Z)
• Disentangling Masked Autoencoders for Unsupervised Domain Generalization [57.56744870106124]
  教師なしの領域一般化は急速に注目されているが、まだ十分に研究されていない。 Disentangled Masked Auto (DisMAE) は、本質的な特徴を忠実に示す不整合表現を発見することを目的としている。 DisMAEは、セマンティックで軽量な変分エンコーダを備えた非対称なデュアルブランチアーキテクチャを共同で訓練する。
  論文  参考訳（メタデータ） (2024-07-10T11:11:36Z)
• Regularized Conditional Alignment for Multi-Domain Text Classification [6.629561563470492]
  本稿では,正規化条件アライメント(RCA)と呼ばれる手法を提案する。 我々は、ラベルのないデータに関する予測の不確実性を抑制するために、エントロピーの最小化と仮想対位トレーニングを採用している。 2つのベンチマークデータセットによる実験結果から、我々のRCAアプローチは最先端のMDTC技術より優れていることが示された。
  論文  参考訳（メタデータ） (2023-12-18T05:52:05Z)
• 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)
• Compound Domain Generalization via Meta-Knowledge Encoding [55.22920476224671]
  マルチモーダル分布を再正規化するために,スタイル駆動型ドメイン固有正規化(SDNorm)を導入する。 組込み空間における関係モデリングを行うために,プロトタイプ表現,クラスセントロイドを利用する。 4つの標準ドメイン一般化ベンチマークの実験により、COMENはドメインの監督なしに最先端のパフォーマンスを上回ることが判明した。
  論文  参考訳（メタデータ） (2022-03-24T11:54:59Z)
• 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)
• Better Pseudo-label: Joint Domain-aware Label and Dual-classifier for Semi-supervised Domain Generalization [26.255457629490135]
  本稿では,高品質な擬似ラベルを生成するために,共同ドメイン認識ラベルと二重分類器を用いた新しいフレームワークを提案する。 ドメインシフト中の正確な擬似ラベルを予測するために、ドメイン対応擬似ラベルモジュールを開発する。 また、一般化と擬似ラベルの矛盾した目標を考えると、訓練過程において擬似ラベルとドメインの一般化を独立に行うために二重分類器を用いる。
  論文  参考訳（メタデータ） (2021-10-10T15:17:27Z)
• HCDG: A Hierarchical Consistency Framework for Domain Generalization on Medical Image Segmentation [33.623948922908184]
  ドメイン一般化のための新しい階層的一貫性フレームワーク(HCDG)を提案する。 Extrinsic Consistencyでは、複数のソースドメインにまたがる知識を活用して、データレベルの一貫性を強制します。 Intrinsic Consistencyでは、デュアルタスクシナリオの下で同じインスタンスに対してタスクレベルの一貫性を実行します。
  論文  参考訳（メタデータ） (2021-09-13T07:07:23Z)
• Dual Distribution Alignment Network for Generalizable Person Re-Identification [174.36157174951603]
  ドメイン一般化(DG)は、人物再識別(Re-ID)を扱うための有望なソリューションとして機能する 本稿では、複数のソースドメインの分布を選択的に整列させることにより、この問題に対処するDual Distribution Alignment Network(DDAN)を提案する。 大規模なDomain Generalization Re-ID(DG Re-ID)ベンチマークでDDANを評価した。
  論文  参考訳（メタデータ） (2020-07-27T00:08:07Z)

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。