論文の概要: Privacy-Aware Continual Self-Supervised Learning on Multi-Window Chest Computed Tomography for Domain-Shift Robustness
- arxiv url: http://arxiv.org/abs/2510.27213v1
- Date: Fri, 31 Oct 2025 06:16:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-03 17:52:16.003478
- Title: Privacy-Aware Continual Self-Supervised Learning on Multi-Window Chest Computed Tomography for Domain-Shift Robustness
- Title（参考訳）: ドメインシフトロバストネスのためのマルチウインドウ胸部CTによるプライバシ・アウェア連続自己監視学習
- Authors: Ren Tasai, Guang Li, Ren Togo, Takahiro Ogawa, Kenji Hirata, Minghui Tang, Takaaki Yoshimura, Hiroyuki Sugimori, Noriko Nishioka, Yukie Shimizu, Kohsuke Kudo, Miki Haseyama,
- Abstract要約: 胸部CT画像から多彩な特徴を同時に学習するための新しい連続自己教師学習(CSSL)フレームワークを提案する。
本稿では,ワッサースタイン距離に基づく知識蒸留(WKD)とバッチ知識アンサンブル(BKE)を統合した特徴蒸留手法を提案する。
- 参考スコア（独自算出の注目度）: 38.350720506451104
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a novel continual self-supervised learning (CSSL) framework for simultaneously learning diverse features from multi-window-obtained chest computed tomography (CT) images and ensuring data privacy. Achieving a robust and highly generalizable model in medical image diagnosis is challenging, mainly because of issues, such as the scarcity of large-scale, accurately annotated datasets and domain shifts inherent to dynamic healthcare environments. Specifically, in chest CT, these domain shifts often arise from differences in window settings, which are optimized for distinct clinical purposes. Previous CSSL frameworks often mitigated domain shift by reusing past data, a typically impractical approach owing to privacy constraints. Our approach addresses these challenges by effectively capturing the relationship between previously learned knowledge and new information across different training stages through continual pretraining on unlabeled images. Specifically, by incorporating a latent replay-based mechanism into CSSL, our method mitigates catastrophic forgetting due to domain shifts during continual pretraining while ensuring data privacy. Additionally, we introduce a feature distillation technique that integrates Wasserstein distance-based knowledge distillation (WKD) and batch-knowledge ensemble (BKE), enhancing the ability of the model to learn meaningful, domain-shift-robust representations. Finally, we validate our approach using chest CT images obtained across two different window settings, demonstrating superior performance compared with other approaches.
- Abstract（参考訳）: 本稿では,マルチウィンドウ型胸部CT画像から多様な特徴を同時に学習し,データのプライバシーを確保するための,新たな自己教師型学習フレームワークを提案する。
医用画像診断において堅牢で一般化可能なモデルを実現することは、大規模で正確に注釈付けされたデータセットの不足や、ダイナミックな医療環境に固有のドメインシフトといった問題のために困難である。
特に胸部CTでは、これらのドメインシフトは、異なる臨床目的のために最適化されたウィンドウ設定の違いから生じることが多い。
以前のCSSLフレームワークは、過去のデータを再利用することで、ドメインシフトを緩和することが多い。
提案手法は,学習前の知識と学習段階の新たな情報との関係を,ラベルなし画像の継続事前学習を通じて効果的に把握することで,これらの課題に対処する。
具体的には、CSSLに遅延リプレイベースのメカニズムを組み込むことで、データのプライバシを確保しつつ、継続的な事前トレーニング中のドメインシフトによる破滅的な忘れを軽減できる。
さらに,ワッサースタイン距離に基づく知識蒸留(WKD)とバッチ知識アンサンブル(BKE)を統合した特徴蒸留手法を導入し,意味のあるドメインシフトロバスト表現の学習能力を向上させる。
最後に,2つの異なるウィンドウ設定で得られた胸部CT画像を用いて本手法の有効性を検証し,他の手法と比較して優れた性能を示した。
関連論文リスト
- 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) - Continual Self-supervised Learning Considering Medical Domain Knowledge in Chest CT Images [36.88692059388115]
胸部CT画像における医療領域の知識を考慮した,新たな自己教師型学習法(CSSL)を提案する。
提案手法は,学習前の知識と新たな情報との関係を異なる段階で効果的に把握することで,逐次学習の課題に対処する。
2つの異なる画像条件下で得られた胸部CT画像を用いて本手法の有効性を検証した。
論文 参考訳（メタデータ） (2025-01-08T01:27:35Z) - PMT: Progressive Mean Teacher via Exploring Temporal Consistency for Semi-Supervised Medical Image Segmentation [51.509573838103854]
医用画像セグメンテーションのための半教師付き学習フレームワークであるプログレッシブ平均教師(PMT)を提案する。
我々のPMTは、トレーニングプロセスにおいて、堅牢で多様な特徴を学習することで、高忠実な擬似ラベルを生成する。
CT と MRI の異なる2つのデータセットに対する実験結果から,本手法が最先端の医用画像分割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） (2024-09-08T15:02:25Z) - Curriculum-Based Augmented Fourier Domain Adaptation for Robust Medical
Image Segmentation [18.830738606514736]
本研究は、堅牢な医用画像分割のためのカリキュラムベースの拡張フーリエドメイン適応(Curri-AFDA)を提案する。
特に、カリキュラム学習戦略は、異なるレベルのデータシフトの下でのモデルの因果関係に基づいている。
複数のサイトやスキャナーから収集した網膜と核の2つのセグメンテーションタスクの実験から,提案手法が優れた適応と一般化性能をもたらすことが示唆された。
論文 参考訳（メタデータ） (2023-06-06T08:56:58Z) - Domain Generalization for Mammographic Image Analysis with Contrastive
Learning [62.25104935889111]
効果的なディープラーニングモデルのトレーニングには、さまざまなスタイルと品質を備えた大規模なデータが必要である。
より優れたスタイルの一般化能力を備えた深層学習モデルを実現するために,新しいコントラスト学習法が開発された。
提案手法は,様々なベンダスタイルドメインのマンモグラムや,いくつかのパブリックデータセットを用いて,広範囲かつ厳密に評価されている。
論文 参考訳（メタデータ） (2023-04-20T11:40:21Z) - Domain Generalization with Adversarial Intensity Attack for Medical
Image Segmentation [27.49427483473792]
実世界のシナリオでは、トレーニング中に露出していない新しいドメインや異なるドメインのデータに遭遇することが一般的である。
ドメイン一般化(Domain Generalization, DG)は、モデルがこれまで見つからなかったドメインからのデータを扱うことを可能にする、有望な方向である。
本稿では,敵対的トレーニングを活用して無限のスタイルでトレーニングデータを生成する,AdverIN(Adversarial Intensity Attack)と呼ばれる新しいDG手法を提案する。
論文 参考訳（メタデータ） (2023-04-05T19:40:51Z) - Differentially private federated deep learning for multi-site medical
image segmentation [56.30543374146002]
フェデレートラーニング(FL)のような協調機械学習技術は、データ転送なしで効果的に大規模なデータセット上でモデルのトレーニングを可能にする。
近年のイニシアチブでは、FLで訓練されたセグメンテーションモデルが、局所的に訓練されたモデルと同様のパフォーマンスを達成できることが示されている。
しかし、FLは完全なプライバシ保護技術ではなく、プライバシ中心の攻撃は秘密の患者データを開示することができる。
論文 参考訳（メタデータ） (2021-07-06T12:57:32Z) - FedDG: Federated Domain Generalization on Medical Image Segmentation via
Episodic Learning in Continuous Frequency Space [63.43592895652803]
フェデレーションラーニングは、分散医療機関がプライバシ保護を備えた共有予測モデルを共同で学習することを可能にします。
臨床展開では、連合学習で訓練されたモデルは、連邦外の完全に見えない病院に適用された場合、パフォーマンス低下に苦しむ可能性がある。
そこで本研究では,この問題に対してELCFS(Episodic Learning in Continuous frequency Space)と呼ばれる新しいアプローチを提案する。
本手法の有効性は,2つの医用画像分割作業における最先端および深部アブレーション実験よりも優れていた。
論文 参考訳（メタデータ） (2021-03-10T13:05:23Z) - Studying Robustness of Semantic Segmentation under Domain Shift in
cardiac MRI [0.8858288982748155]
複数の臨床センターやスキャナーベンダーからの画像間でのドメイン転送の課題と機会について検討する。
本研究では、nnU-netフレームワークによって構成された固定されたU-Netアーキテクチャに基づいて、様々なデータ拡張手法とバッチ正規化層について検討する。
論文 参考訳（メタデータ） (2020-11-15T17:50:23Z)
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。