論文の概要: Acquisition of interpretable domain information during brain MR image harmonization for content-based image retrieval

• arxiv url: http://arxiv.org/abs/2510.14535v1
• Date: Thu, 16 Oct 2025 10:27:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.816016
• Title: Acquisition of interpretable domain information during brain MR image harmonization for content-based image retrieval
• Title（参考訳）: コンテンツに基づく画像検索のための脳MR画像調和時の解釈領域情報の獲得
• Authors: Keima Abe, Hayato Muraki, Shuhei Tomoshige, Kenichi Oishi, Hitoshi Iyatomi,
• Abstract要約: したがって、ドメイン調和は重要な研究分野である。 最近のアプローチでは、脳画像を低次元の潜伏空間 $boldsymbolz$ にエンコードし、それを $boldsymbolz_u$ と $boldsymbolz_d$ に分解する。 PL-SE-ADAは、脳MRI画像における領域調和と解釈可能な表現のための一般的なフレームワークである。
• 参考スコア（独自算出の注目度）: 0.9841060883971746
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical images like MR scans often show domain shifts across imaging sites due to scanner and protocol differences, which degrade machine learning performance in tasks such as disease classification. Domain harmonization is thus a critical research focus. Recent approaches encode brain images $\boldsymbol{x}$ into a low-dimensional latent space $\boldsymbol{z}$, then disentangle it into $\boldsymbol{z_u}$ (domain-invariant) and $\boldsymbol{z_d}$ (domain-specific), achieving strong results. However, these methods often lack interpretability$-$an essential requirement in medical applications$-$leaving practical issues unresolved. We propose Pseudo-Linear-Style Encoder Adversarial Domain Adaptation (PL-SE-ADA), a general framework for domain harmonization and interpretable representation learning that preserves disease-relevant information in brain MR images. PL-SE-ADA includes two encoders $f_E$ and $f_{SE}$ to extract $\boldsymbol{z_u}$ and $\boldsymbol{z_d}$, a decoder to reconstruct the image $f_D$, and a domain predictor $g_D$. Beyond adversarial training between the encoder and domain predictor, the model learns to reconstruct the input image $\boldsymbol{x}$ by summing reconstructions from $\boldsymbol{z_u}$ and $\boldsymbol{z_d}$, ensuring both harmonization and informativeness. Compared to prior methods, PL-SE-ADA achieves equal or better performance in image reconstruction, disease classification, and domain recognition. It also enables visualization of both domain-independent brain features and domain-specific components, offering high interpretability across the entire framework.
• Abstract（参考訳）: MRスキャンのような医療画像は、スキャナーとプロトコルの違いによる画像部位のドメインシフトを示すことが多く、疾患分類などのタスクでは機械学習のパフォーマンスが低下する。 したがって、ドメイン調和は重要な研究分野である。 最近のアプローチでは、$\boldsymbol{x}$ を低次元の潜在空間 $\boldsymbol{z}$ にエンコードし、それを $\boldsymbol{z_u}$ (ドメイン不変) と $\boldsymbol{z_d}$ (ドメイン固有) に分解し、強い結果を得る。 しかし、これらの手法は、しばしば解釈可能性$-$医療応用における必須要件$-$-$-実際の問題を未解決で解決する。 我々は,脳MRI画像における疾患関連情報を保存するための,ドメイン調和と解釈可能な表現学習のための一般的なフレームワークであるPseudo-Linear-Style Encoder Adversarial Domain Adaptation (PL-SE-ADA)を提案する。 PL-SE-ADAには、$f_E$と$f_{SE}$を抽出して$\boldsymbol{z_u}$と$\boldsymbol{z_d}$を抽出する2つのエンコーダ、$f_D$を再構成するデコーダ、およびドメイン予測器$g_D$が含まれる。 エンコーダとドメイン予測器の間の敵対的トレーニングの他に、このモデルは入力イメージ $\boldsymbol{x}$ を $\boldsymbol{z_u}$ と $\boldsymbol{z_d}$ から再構築し、調和性と情報性の両方を確保することで、入力イメージ $\boldsymbol{x}$ を再構築することを学ぶ。 従来の手法と比較して、PL-SE-ADAは画像再構成、疾患分類、ドメイン認識において同等かそれ以上の性能を発揮する。 また、ドメインに依存しない脳機能とドメイン固有のコンポーネントの両方を視覚化し、フレームワーク全体にわたって高い解釈性を提供する。

関連論文リスト

• The Effect of Intrinsic Dataset Properties on Generalization: Unraveling Learning Differences Between Natural and Medical Images [2.06682776181122]
  本稿では、ニューラルネットワークが異なる画像領域からどのように学習するかの相違について検討する。 トレーニングされたネットワークの一般化誤差は、トレーニングセットの内在次元(d_data$)によって増加するのが普通である。 我々は,医療画像データセットの高次内在性ラベルのシャープネス(K_mathcalF$)が,少なくとも部分的には,スケーリングの相違が原因であることが示唆された。
  論文  参考訳（メタデータ） (2024-01-16T22:36:23Z)
• SynCDR : Training Cross Domain Retrieval Models with Synthetic Data [69.26882668598587]
  クロスドメイン検索では、同じ意味圏から2つの視覚領域にまたがるイメージを識別するためにモデルが必要である。 我々は、これらの欠落したカテゴリの例を満たすために、ドメイン間で合成データを生成する方法を示す。 最高のSynCDRモデルは、先行技術よりも最大15%パフォーマンスが向上します。
  論文  参考訳（メタデータ） (2023-12-31T08:06:53Z)
• Devil is in Channels: Contrastive Single Domain Generalization for Medical Image Segmentation [21.079667938055668]
  医用画像分割のためのtextbfChannel レベルの textbfContrastive textbfSingle textbfDomain textbf Generalization モデルを提案する。 提案手法は,単一ソースドメインを用いてチャネルワイドな特徴の絡み合いを可能にする,コントラスト的な視点での新しい手法である。
  論文  参考訳（メタデータ） (2023-06-08T14:49:32Z)
• M$^{2}$SNet: Multi-scale in Multi-scale Subtraction Network for Medical Image Segmentation [66.89632406480949]
  医用画像から多様なセグメンテーションを仕上げるマルチスケールサブトラクションネットワーク(M$2$SNet)を提案する。 本手法は,4つの異なる医用画像セグメンテーションタスクの11つのデータセットに対して,異なる評価基準の下で,ほとんどの最先端手法に対して好意的に機能する。
  論文  参考訳（メタデータ） (2023-03-20T06:26:49Z)
• Anatomy-aware and acquisition-agnostic joint registration with SynthMorph [6.017634371712142]
  アフィン画像登録は、医用画像解析の基盤となっている。 ディープラーニング(DL)メソッドは、画像対を出力変換にマッピングする関数を学ぶ。 ほとんどのアフィン法は、ユーザが調整したい解剖学に依存しない。つまり、アルゴリズムが画像のすべての構造を考慮すれば、登録は不正確なものになる。 われわれはこれらの欠点をSynthMorphで解決する。これは高速で対称で、微分型で使い易いDLツールで、任意の脳画像の関節アフィン変形性登録を行う。
  論文  参考訳（メタデータ） (2023-01-26T18:59:33Z)
• Enhancing variational generation through self-decomposition [0.0]
  SVAE(Split Variational Autoencoder)の概念を紹介する。 ネットワークは通常の変分オートエンコーダとして訓練されており、トレーニングと再構成画像の間に負の対数損失がある。 FID測定値によると、Mnist、Cifar10、Celebaといった典型的なデータセットでテストした手法により、従来の純粋に変動するアーキテクチャを全て上回ることができる。
  論文  参考訳（メタデータ） (2022-02-06T08:49:21Z)
• A Shared Representation for Photorealistic Driving Simulators [83.5985178314263]
  本稿では、識別器アーキテクチャを再考することにより、生成画像の品質を向上させることを提案する。 シーンセグメンテーションマップや人体ポーズといったセマンティックインプットによって画像が生成されるという問題に焦点が当てられている。 我々は,意味的セグメンテーション,コンテンツ再構成,および粗い粒度の逆解析を行うのに十分な情報をエンコードする,共有潜在表現を学習することを目指している。
  論文  参考訳（メタデータ） (2021-12-09T18:59:21Z)
• Semantic Segmentation with Generative Models: Semi-Supervised Learning and Strong Out-of-Domain Generalization [112.68171734288237]
  本論文では,画像とラベルの再生モデルを用いた識別画素レベルのタスクのための新しいフレームワークを提案する。 我々は,共同画像ラベルの分布を捕捉し,未ラベル画像の大規模な集合を用いて効率的に訓練する生成的対向ネットワークを学習する。 ドメイン内性能をいくつかのベースラインと比較し,ドメイン外一般化を極端に示す最初の例である。
  論文  参考訳（メタデータ） (2021-04-12T21:41:25Z)
• Analogical Image Translation for Fog Generation [114.39308837759329]
  AITは、合成クリアウェザー画像、合成霧画像、および真のクリアウェザー画像を用いて学習し、トレーニング中に本物の霧画像を見ることなく、本物のクリアウェザー画像に霧効果を加える。 AITは、合成ドメインにおける教師付きトレーニングスキームと、実ドメインにおけるサイクル整合戦略と、2つのドメイン間の対角的トレーニングスキームと、新しいネットワーク設計とを結合して、このゼロショット画像翻訳能力を実現する。
  論文  参考訳（メタデータ） (2020-06-28T14:33:31Z)

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。