論文の概要: CCSD: Cross-Modal Compositional Self-Distillation for Robust Brain Tumor Segmentation with Missing Modalities
- arxiv url: http://arxiv.org/abs/2511.14599v1
- Date: Tue, 18 Nov 2025 15:39:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-19 16:23:53.188838
- Title: CCSD: Cross-Modal Compositional Self-Distillation for Robust Brain Tumor Segmentation with Missing Modalities
- Title（参考訳）: CCSD : 欠損を伴うロバスト脳腫瘍分節に対するクロスモーダル・コンポジション・セルフ蒸留法
- Authors: Dongqing Xie, Yonghuang Wu, Zisheng Ai, Jun Min, Zhencun Jiang, Shaojin Geng, Lei Wang,
- Abstract要約: 入力モードの任意の組み合わせを柔軟に扱える新しいクロスモーダル構成自己蒸留(CCSD)フレームワークを提案する。
CCSDは、様々な欠落したモダリティシナリオにまたがって最先端のパフォーマンスを実現し、強力な一般化と安定性を実現している。
- 参考スコア（独自算出の注目度）: 2.157012611810736
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: The accurate segmentation of brain tumors from multi-modal MRI is critical for clinical diagnosis and treatment planning. While integrating complementary information from various MRI sequences is a common practice, the frequent absence of one or more modalities in real-world clinical settings poses a significant challenge, severely compromising the performance and generalizability of deep learning-based segmentation models. To address this challenge, we propose a novel Cross-Modal Compositional Self-Distillation (CCSD) framework that can flexibly handle arbitrary combinations of input modalities. CCSD adopts a shared-specific encoder-decoder architecture and incorporates two self-distillation strategies: (i) a hierarchical modality self-distillation mechanism that transfers knowledge across modality hierarchies to reduce semantic discrepancies, and (ii) a progressive modality combination distillation approach that enhances robustness to missing modalities by simulating gradual modality dropout during training. Extensive experiments on public brain tumor segmentation benchmarks demonstrate that CCSD achieves state-of-the-art performance across various missing-modality scenarios, with strong generalization and stability.
- Abstract（参考訳）: 多モードMRIからの脳腫瘍の正確な分節化は臨床診断と治療計画に重要である。
様々なMRIシークエンスから補完的な情報を統合することは一般的な慣行であるが、実世界の臨床環境において1つ以上のモダリティが欠如していることは、ディープラーニングに基づくセグメンテーションモデルの性能と一般化性を著しく向上させる重要な課題である。
この課題に対処するために,入力モダリティの任意の組み合わせを柔軟に扱えるクロスモーダル構成自己蒸留(CCSD)フレームワークを提案する。
CCSDは共有型エンコーダデコーダアーキテクチャを採用し、2つの自己蒸留戦略を取り入れている。
(i)様相の相違を減らすために様相の階層にわたって知識を伝達する様相の自己蒸留機構、及び
(II) 漸進的モダリティ混合蒸留法は, 訓練中の段階的モダリティ降下をシミュレーションすることにより, モダリティの欠如に対するロバスト性を高める。
公開脳腫瘍セグメンテーションベンチマークの大規模な実験は、CCSDが様々な欠落したモダリティシナリオで最先端のパフォーマンスを達成し、強力な一般化と安定性を持つことを示した。
関連論文リスト
- UniMRSeg: Unified Modality-Relax Segmentation via Hierarchical Self-Supervised Compensation [104.59740403500132]
マルチモーダルイメージセグメンテーションは、不完全/破損したモダリティの劣化による実際のデプロイメント課題に直面している。
階層型自己教師型補償(HSSC)による統一Modality-relaxセグメンテーションネットワーク(UniMRSeg)を提案する。
我々のアプローチは、入力レベル、特徴レベル、出力レベルをまたいだ完全なモダリティと不完全なモダリティの間の表現ギャップを階層的に橋渡しします。
論文 参考訳（メタデータ） (2025-09-19T17:29:25Z) - No Modality Left Behind: Adapting to Missing Modalities via Knowledge Distillation for Brain Tumor Segmentation [11.776176055438313]
AdaMMは、欠落したモダリティシナリオに適したマルチモーダル脳腫瘍セグメンテーションフレームワークである。
AdaMMは既存の手法を一貫して上回り、セグメンテーション精度とロバスト性に優れる。
論文 参考訳（メタデータ） (2025-09-18T14:47:20Z) - Multimodal Causal-Driven Representation Learning for Generalizable Medical Image Segmentation [56.52520416420957]
医用画像セグメンテーションにおける領域一般化に取り組むために, MCDRL(Multimodal Causal-Driven Representation Learning)を提案する。
MCDRLは競合する手法より一貫して優れ、セグメンテーション精度が優れ、堅牢な一般化性を示す。
論文 参考訳（メタデータ） (2025-08-07T03:41:41Z) - Hypergraph Tversky-Aware Domain Incremental Learning for Brain Tumor Segmentation with Missing Modalities [9.429176881328274]
臨床実践では、MRI 取得の逐次的な性質のため、MRI のモダリティが欠落している場合もある。
Replay-based Hypergraph Domain Incremental Learning (ReHyDIL) を提案する。
論文 参考訳（メタデータ） (2025-05-22T15:49:25Z) - DC-Seg: Disentangled Contrastive Learning for Brain Tumor Segmentation with Missing Modalities [9.878680177357454]
本稿では,DC-Segを提案する。この手法は,画像をモダリティ不変の解剖学的表現に明示的に切り離す手法である。
この解は、モダリティギャップを考慮することにより、解剖学的特徴とモダリティ特異的特徴の分離を改善する。
BraTS 2020とプライベートホワイトマターハイパーインテンシティ(WMH)セグメンテーションデータセットの実験は、DC-Segが最先端の手法より優れていることを示した。
論文 参考訳（メタデータ） (2025-05-17T09:12:08Z) - Unveiling Incomplete Modality Brain Tumor Segmentation: Leveraging Masked Predicted Auto-Encoder and Divergence Learning [6.44069573245889]
脳腫瘍のセグメンテーションは、特にマルチモーダルMRI(Multi-modal magnetic resonance imaging)における重要な課題である。
本稿では,不完全なモダリティデータから頑健な特徴学習を可能にする,マスク付き予測事前学習方式を提案する。
微調整段階において、我々は知識蒸留技術を用いて、完全なモダリティデータと欠落したモダリティデータの間に特徴を整列させ、同時にモデルロバスト性を向上する。
論文 参考訳（メタデータ） (2024-06-12T20:35:16Z) - Cross-modality Guidance-aided Multi-modal Learning with Dual Attention
for MRI Brain Tumor Grading [47.50733518140625]
脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。
本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
論文 参考訳（メタデータ） (2024-01-17T07:54:49Z) - Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。
中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。
on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
論文 参考訳（メタデータ） (2022-01-07T07:46:01Z) - Towards Cross-modality Medical Image Segmentation with Online Mutual
Knowledge Distillation [71.89867233426597]
本稿では,あるモダリティから学習した事前知識を活用し,別のモダリティにおけるセグメンテーション性能を向上させることを目的とする。
モーダル共有知識を徹底的に活用する新しい相互知識蒸留法を提案する。
MMWHS 2017, MMWHS 2017 を用いた多クラス心筋セグメンテーション実験の結果, CT セグメンテーションに大きな改善が得られた。
論文 参考訳（メタデータ） (2020-10-04T10:25:13Z) - Robust Multimodal Brain Tumor Segmentation via Feature Disentanglement
and Gated Fusion [71.87627318863612]
画像モダリティの欠如に頑健な新しいマルチモーダルセグメンテーションフレームワークを提案する。
我々のネットワークは、入力モードをモダリティ固有の外観コードに分解するために、特徴不整合を用いる。
我々は,BRATSチャレンジデータセットを用いて,重要なマルチモーダル脳腫瘍セグメンテーション課題に対する本手法の有効性を検証した。
論文 参考訳（メタデータ） (2020-02-22T14:32:04Z)
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。