論文の概要: Unsupervised Domain Adaptation via Content Alignment for Hippocampus Segmentation

• arxiv url: http://arxiv.org/abs/2510.13075v1
• Date: Wed, 15 Oct 2025 01:34:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-16 20:13:28.463867
• Title: Unsupervised Domain Adaptation via Content Alignment for Hippocampus Segmentation
• Title（参考訳）: 海馬セグメンテーションのためのコンテンツアライメントによる教師なしドメイン適応
• Authors: Hoda Kalabizadeh, Ludovica Griffanti, Pak-Hei Yeung, Ana I. L. Namburete, Nicola K. Dinsdale, Konstantinos Kamnitsas,
• Abstract要約: 本稿では,MRIによる海馬間領域分割で発生する領域シフトに対処する,教師なし領域適応フレームワークを提案する。 本手法は、z正規化による効率的なスタイル調和と、双方向の変形可能な画像登録(DIR)戦略を組み合わせたものである。 人工海馬データセットと3つのMRI海馬データセットを総合的に評価し,集団の萎縮度を指標としたアプローチを検証した。
• 参考スコア（独自算出の注目度）: 5.118486547573804
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning models for medical image segmentation often struggle when deployed across different datasets due to domain shifts - variations in both image appearance, known as style, and population-dependent anatomical characteristics, referred to as content. This paper presents a novel unsupervised domain adaptation framework that directly addresses domain shifts encountered in cross-domain hippocampus segmentation from MRI, with specific emphasis on content variations. Our approach combines efficient style harmonisation through z-normalisation with a bidirectional deformable image registration (DIR) strategy. The DIR network is jointly trained with segmentation and discriminator networks to guide the registration with respect to a region of interest and generate anatomically plausible transformations that align source images to the target domain. We validate our approach through comprehensive evaluations on both a synthetic dataset using Morpho-MNIST (for controlled validation of core principles) and three MRI hippocampus datasets representing populations with varying degrees of atrophy. Across all experiments, our method outperforms existing baselines. For hippocampus segmentation, when transferring from young, healthy populations to clinical dementia patients, our framework achieves up to 15% relative improvement in Dice score compared to standard augmentation methods, with the largest gains observed in scenarios with substantial content shift. These results highlight the efficacy of our approach for accurate hippocampus segmentation across diverse populations.
• Abstract（参考訳）: 医療画像セグメンテーションのためのディープラーニングモデルは、ドメインシフトによって異なるデータセットにデプロイされる場合、しばしば苦労する。 本稿では,MRIによる海馬間領域分割における領域シフトを直接処理する,教師なし領域適応フレームワークを提案する。 本手法は、z正規化による効率的なスタイル調和と、双方向の変形可能な画像登録(DIR)戦略を組み合わせたものである。 DIRネットワークは、セグメント化と差別化ネットワークと共同で訓練され、関心領域に関する登録を誘導し、ソースイメージを対象領域に整列させる解剖学的に妥当な変換を生成する。 Morpho-MNIST(Morpho-MNIST)と3つのMRI海馬データセットを用いて,種々の萎縮度を持つ個体群を表す合成データセットの総合的評価により,本手法の有効性を検証した。 全ての実験において、我々の手法は既存のベースラインよりも優れています。 海馬セグメンテーションでは, 若年者から健常者, 臨床認知症患者へ移行した場合, 標準増強法と比較してDiceスコアが最大15%向上し, 内容変化の大きい症例では最大値が得られた。 以上の結果から, 多様な個体群で正確な海馬セグメンテーションを行うためのアプローチの有効性が示唆された。

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)
• 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)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• CDDSA: Contrastive Domain Disentanglement and Style Augmentation for Generalizable Medical Image Segmentation [38.44458104455557]
  医用画像分割のためのCDDSA(Contrastive Domain Disentanglement and Style Augmentation)フレームワークを提案する。 まず、画像をドメイン不変な解剖学的表現とドメイン固有なスタイルコードに分解する。 第二に、より良い絡み合いを実現するために、同じドメインと異なるドメインのスタイルコードをコンパクトで分散させるために、対照的な損失が提案されている。
  論文  参考訳（メタデータ） (2022-11-22T08:25:35Z)
• Unsupervised Domain Adaptation with Contrastive Learning for OCT Segmentation [49.59567529191423]
  本稿では,新しい未ラベル領域からのボリューム画像のセグメンテーションのための,新しい半教師付き学習フレームワークを提案する。 教師付き学習とコントラスト学習を併用し、3次元の近傍スライス間の類似性を利用したコントラストペア方式を導入する。
  論文  参考訳（メタデータ） (2022-03-07T19:02:26Z)
• Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
  本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。 具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。 提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-05-17T10:11:45Z)
• 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)
• Shape-aware Meta-learning for Generalizing Prostate MRI Segmentation to Unseen Domains [68.73614619875814]
  前立腺MRIのセグメント化におけるモデル一般化を改善するために,新しい形状認識メタラーニング手法を提案する。 実験結果から,本手法は未確認領域の6つの設定すべてにおいて,最先端の一般化手法を一貫して上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2020-07-04T07:56:02Z)
• 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。