論文の概要: Bézier Meets Diffusion: Robust Generation Across Domains for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2509.22476v1
• Date: Fri, 26 Sep 2025 15:23:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 20:57:54.544303
• Title: Bézier Meets Diffusion: Robust Generation Across Domains for Medical Image Segmentation
• Title（参考訳）: 医療画像セグメンテーションのための領域をまたいでロバストに生成するBézier
• Authors: Chen Li, Meilong Xu, Xiaoling Hu, Weimin Lyu, Chao Chen,
• Abstract要約: 異なる医用画像モダリティにわたる堅牢な学習アルゴリズムのトレーニングは、大きなドメインギャップのために困難である。 教師なしドメイン適応(UDA)は、ソースドメインからの注釈付きイメージとターゲットドメインからのラベルなしイメージを使用して、ディープモデルをトレーニングすることでこの問題を軽減する。 既存のアプローチは、しばしばGANベースのスタイル転送に依存しているが、これらの手法は、高い可変性を持つ領域におけるクロスドメインマッピングの取得に苦慮している。
• 参考スコア（独自算出の注目度）: 18.618250617122392
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Training robust learning algorithms across different medical imaging modalities is challenging due to the large domain gap. Unsupervised domain adaptation (UDA) mitigates this problem by using annotated images from the source domain and unlabeled images from the target domain to train the deep models. Existing approaches often rely on GAN-based style transfer, but these methods struggle to capture cross-domain mappings in regions with high variability. In this paper, we propose a unified framework, B\'ezier Meets Diffusion, for cross-domain image generation. First, we introduce a B\'ezier-curve-based style transfer strategy that effectively reduces the domain gap between source and target domains. The transferred source images enable the training of a more robust segmentation model across domains. Thereafter, using pseudo-labels generated by this segmentation model on the target domain, we train a conditional diffusion model (CDM) to synthesize high-quality, labeled target-domain images. To mitigate the impact of noisy pseudo-labels, we further develop an uncertainty-guided score matching method that improves the robustness of CDM training. Extensive experiments on public datasets demonstrate that our approach generates realistic labeled images, significantly augmenting the target domain and improving segmentation performance.
• Abstract（参考訳）: 異なる医用画像モダリティにわたる堅牢な学習アルゴリズムのトレーニングは、大きなドメインギャップのために困難である。 教師なしドメイン適応(UDA)は、ソースドメインからの注釈付きイメージとターゲットドメインからのラベルなしイメージを使用して、ディープモデルをトレーニングすることでこの問題を軽減する。 既存のアプローチは、しばしばGANベースのスタイル転送に依存しているが、これらの手法は、高い可変性を持つ領域におけるクロスドメインマッピングの取得に苦慮している。 本稿では,クロスドメイン画像生成のための統合フレームワークB\'ezier Meets Diffusionを提案する。 まず、ソースとターゲットドメイン間のドメインギャップを効果的に削減するB\'ezier曲線に基づくスタイル転送戦略を導入する。 転送されたソースイメージは、ドメイン間のより堅牢なセグメンテーションモデルのトレーニングを可能にする。 その後、このセグメンテーションモデルによって生成された擬似ラベルを用いて、条件拡散モデル(CDM)を訓練し、高品質なラベル付きターゲットドメイン画像の合成を行う。 そこで我々は,CDMトレーニングの堅牢性を向上させるための不確実性誘導スコアマッチング法を開発した。 公開データセットに対する大規模な実験により,本手法は現実的なラベル付き画像を生成し,対象領域を大幅に拡張し,セグメンテーション性能を向上することを示した。

関連論文リスト

• Can Diffusion Models Bridge the Domain Gap in Cardiac MR Imaging? [2.0202525145391093]
  そこで本研究では,所定の基準に類似した人工心臓MR画像を生成するソースドメイン上で訓練された拡散モデルを提案する。 合成データは、空間的および構造的忠実性を維持し、ソースドメインと類似性を確保し、セグメンテーションマスクとの互換性を確保する。 ドメイン一般化、ドメイン不変セグメンテーションモデルは、合成ソースドメインデータに基づいて訓練され、ドメイン適応では、DMを用いてターゲットドメインデータをソースドメインへシフトする。
  論文  参考訳（メタデータ） (2025-08-08T13:57:48Z)
• Cross-Domain Diffusion with Progressive Alignment for Efficient Adaptive Retrieval [52.67656818203429]
  非教師付き効率的なドメイン適応検索は、ラベル付きソースドメインからラベルなしターゲットドメインに知識を転送することを目的としている。 既存のメソッドは、ターゲットドメインの潜在的なノイズに対処できず、ドメイン間で直接高レベルな機能を調整します。 そこで本研究では,これらの課題に対処する新しいクロスドメイン拡散・プログレッシブアライメント法(COUPLE)を提案する。
  論文  参考訳（メタデータ） (2025-05-20T04:17:39Z)
• 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)
• MSCDA: Multi-level Semantic-guided Contrast Improves Unsupervised Domain Adaptation for Breast MRI Segmentation in Small Datasets [5.272836235045653]
  マルチレベルセマンティック・ガイド・コントラスト・ドメイン・アダプティブ・フレームワークを提案する。 我々のアプローチは、ドメイン間の特徴表現を整合させるために、対照的な学習を伴う自己学習を取り入れている。 特に,ピクセル・ツー・ピクセル,ピクセル・ツー・セントロイド,セントロイド・ツー・セントロイドのコントラストを取り入れることで,コントラストの損失を増大させる。
  論文  参考訳（メタデータ） (2023-01-04T19:16:55Z)
• Unsupervised Domain Adaptation for Semantic Segmentation using One-shot Image-to-Image Translation via Latent Representation Mixing [9.118706387430883]
  超高解像度画像のセマンティックセグメンテーションのための新しい教師なし領域適応法を提案する。 潜在コンテンツ表現をドメイン間で混合するエンコーダ・デコーダの原理に基づいて,画像から画像への変換パラダイムを提案する。 都市間比較実験により,提案手法は最先端領域適応法より優れていることが示された。
  論文  参考訳（メタデータ） (2022-12-07T18:16:17Z)
• Reducing Domain Gap in Frequency and Spatial domain for Cross-modality Domain Adaptation on Medical Image Segmentation [5.371816551086118]
  教師なしドメイン適応(UDA)は、ソースドメインで訓練されたモデルを学び、ラベルなしのターゲットドメインでうまく機能することを目的としています。 本稿では, 周波数及び空間領域移動Uner Multi-Teacher蒸留フレームワークに基づく, 単純かつ効果的なUDA法を提案する。 提案手法は最先端手法と比較して優れた性能を実現する。
  論文  参考訳（メタデータ） (2022-11-28T11:35:39Z)
• Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training for Road Segmentation of Remote Sensing Images [93.50240389540252]
  リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。 本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。 2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-08-28T09:29:14Z)
• AFAN: Augmented Feature Alignment Network for Cross-Domain Object Detection [90.18752912204778]
  オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。 本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。 提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2021-06-10T05:01:20Z)
• Domain Adaptation on Semantic Segmentation for Aerial Images [3.946367634483361]
  セマンティックイメージセグメンテーションにおける領域シフトに対処する、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。 また、ターゲット領域にエントロピー最小化を適用し、高信頼な予測を生成する。 様々な指標を用いて最先端手法の改善を示す。
  論文  参考訳（メタデータ） (2020-12-03T20:58:27Z)
• Discriminative Cross-Domain Feature Learning for Partial Domain Adaptation [70.45936509510528]
  部分的なドメイン適応は、より大きく多様なソースドメインからの知識を、より少ないクラス数でより小さなターゲットドメインに適応させることを目的としています。 ドメイン適応の最近の実践は、ターゲットドメインの擬似ラベルを組み込むことで、効果的な特徴を抽出する。 ターゲットデータを少数のソースデータのみにアライメントすることが不可欠である。
  論文  参考訳（メタデータ） (2020-08-26T03:18:53Z)
• CrDoCo: Pixel-level Domain Transfer with Cross-Domain Consistency [119.45667331836583]
  教師なしのドメイン適応アルゴリズムは、あるドメインから学んだ知識を別のドメインに転送することを目的としている。 本稿では,新しい画素単位の対向領域適応アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-01-09T19:00:35Z)

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。