論文の概要: Layer-wise Noise Guided Selective Wavelet Reconstruction for Robust Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2511.16162v1
• Date: Thu, 20 Nov 2025 09:03:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-21 17:08:52.545535
• Title: Layer-wise Noise Guided Selective Wavelet Reconstruction for Robust Medical Image Segmentation
• Title（参考訳）: ロバストな医用画像分割のための層状ノイズガイド選択ウェーブレット再構成
• Authors: Yuting Lu, Ziliang Wang, Weixin Xu, Wei Zhang, Yongqiang Zhao, Yang Yu, Xiaohong Zhang,
• Abstract要約: 我々はLNG-SWR(Layer-wise noise-Guided Selective Wavelet Reconstruction)を提案する。 トレーニング中、複数の層で小さなゼロ平均ノイズを注入し、ノイズに敏感な方向からステア表現を遠ざける前に周波数バイアスを学習する。 次に、入力/機能分岐に予め誘導した選択的ウェーブレット再構成を適用し、周波数適応を実現する。
• 参考スコア（独自算出の注目度）: 16.82406992858576
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Clinical deployment requires segmentation models to stay stable under distribution shifts and perturbations. The mainstream solution is adversarial training (AT) to improve robustness; however, AT often brings a clean--robustness trade-off and high training/tuning cost, which limits scalability and maintainability in medical imaging. We propose \emph{Layer-wise Noise-Guided Selective Wavelet Reconstruction (LNG-SWR)}. During training, we inject small, zero-mean noise at multiple layers to learn a frequency-bias prior that steers representations away from noise-sensitive directions. We then apply prior-guided selective wavelet reconstruction on the input/feature branch to achieve frequency adaptation: suppress noise-sensitive bands, enhance directional structures and shape cues, and stabilize boundary responses while maintaining spectral consistency. The framework is backbone-agnostic and adds low additional inference overhead. It can serve as a plug-in enhancement to AT and also improves robustness without AT. On CT and ultrasound datasets, under a unified protocol with PGD-$L_{\infty}/L_{2}$ and SSAH, LNG-SWR delivers consistent gains on clean Dice/IoU and significantly reduces the performance drop under strong attacks; combining LNG-SWR with AT yields additive gains. When combined with adversarial training, robustness improves further without sacrificing clean accuracy, indicating an engineering-friendly and scalable path to robust segmentation. These results indicate that LNG-SWR provides a simple, effective, and engineering-friendly path to robust medical image segmentation in both adversarial and standard training regimes.
• Abstract（参考訳）: 臨床展開には、分布シフトと摂動の下で安定なセグメンテーションモデルが必要である。 主な解決策は、堅牢性を改善するための対人訓練(AT)であるが、ATはしばしば、クリーンでロバストなトレードオフと高いトレーニング/チューニングコストをもたらし、医療画像のスケーラビリティと保守性を制限する。 本稿では,LNG-SWRによる雑音誘導型ウェーブレット再構成を提案する。 トレーニング中、複数の層で小さなゼロ平均ノイズを注入して周波数バイアスを学習する。 次に、入力/機能分岐に予め誘導された選択的ウェーブレット再構成を適用し、周波数適応を実現し、ノイズ感受性帯域を抑え、方向構造と形状を向上し、スペクトル整合性を維持しながら境界応答を安定させる。 フレームワークはバックボーンに依存しないため、追加の推論オーバーヘッドが少なくなる。 ATへのプラグイン強化として機能し、ATなしで堅牢性を向上させることができる。 CTおよび超音波データセットでは、PGD-$L_{\infty}/L_{2}$とSSAHとの統一プロトコルの下で、LNG-SWRはクリーンDice/IoUに対して一貫したゲインを提供し、強力な攻撃下での性能低下を著しく低減し、LNG-SWRとAT収率の加算ゲインを組み合わせる。 敵の訓練と組み合わせることで、ロバストネスはよりクリーンな精度を犠牲にすることなく改善され、ロバストセグメンテーションへのエンジニアリングフレンドリーでスケーラブルなパスが示される。 これらの結果から, LNG-SWRは, 対角的および標準的訓練体制において, 堅牢な医用画像セグメンテーションを実現するための, シンプルで, 効果的で, 工学的にも親しみやすい経路を提供することが明らかとなった。

関連論文リスト

• How Does Label Noise Gradient Descent Improve Generalization in the Low SNR Regime? [78.0226274470175]
  我々は、勾配更新にラベルノイズを導入することで、ニューラルネットワーク(NN)のテスト性能が向上するかどうか検討する。 学習中のラベルノイズの付加は,学習過程を支配することを防止し,雑音の記憶を抑制することを実証する。 対照的に、標準GDで訓練されたNNは、同じ低SNR環境でのノイズに過度に適応する傾向にある。
  論文  参考訳（メタデータ） (2025-10-20T13:28:13Z)
• Comparative Analysis of Data Augmentation for Clinical ECG Classification with STAR [0.0]
  正弦波時間振幅サンプリング(Sinusoidal Time-Amplitude Resampling, STAR)は、連続するRピーク間で厳密に動作するビートワイド増幅である。 STARは実践的なパイプラインのために設計されており、 (i) ピークや間隔を損なうことなくトレーニングの多様性を拡大するモルフォロジー-忠実な変動、 (ii) ソースレジリエンスなトレーニング、 デバイス、サイト、コホート間の安定性をデータセット固有のチューニングなしで改善する、 (iv) ビートレベルの拡張によるレアクラスの学習の改善。
  論文  参考訳（メタデータ） (2025-10-15T14:18:03Z)
• DoRAN: Stabilizing Weight-Decomposed Low-Rank Adaptation via Noise Injection and Auxiliary Networks [47.58150560549918]
  重み分解低ランク適応(DoRA)は,バニラ低ランク適応(LoRA)法の学習能力と訓練安定性の両方を改善することが示されている。 そこで本研究では,DoRAのトレーニングを安定化し,サンプル効率を向上させるため,新しいDoRAの派生型であるDoRANを提案する。
  論文  参考訳（メタデータ） (2025-10-05T19:27:48Z)
• Improving Accuracy and Efficiency of Implicit Neural Representations: Making SIREN a WINNER [0.0]
  我々は正弦波表現ネットワーク(SIREN)の基本的制限を特定し、対処する。 極端な場合、ネットワークの周波数サポートがターゲットスペクトルと不一致した場合、「スペクトルボトルネック」が観測される。 ニューラル表現のためのノイズ付きウェイト初期化を提案する。
  論文  参考訳（メタデータ） (2025-09-16T11:41:13Z)
• Noise Augmented Fine Tuning for Mitigating Hallucinations in Large Language Models [1.0579965347526206]
  大規模言語モデル(LLM)は、しばしば不正確な、または誤解を招くコンテンツ・ハロシンを生成する。 noise-Augmented Fine-Tuning (NoiseFiT) は適応ノイズ注入を利用してモデルロバスト性を高める新しいフレームワークである。 NoiseFiTは、動的にスケールしたガウス雑音を用いて、高SNR(より堅牢)または低SNR(潜在的に過正規化)と同定された層を選択的に摂動する。
  論文  参考訳（メタデータ） (2025-04-04T09:27:19Z)
• Fast-RF-Shimming: Accelerate RF Shimming in 7T MRI using Deep Learning [25.158522994692273]
  我々は従来のMLS法と比較して5000倍の高速化を実現するFast-RF-Shimmingを提案する。 我々の手法は、永続的不均一性問題に対処するための有望な解決策を示す。
  論文  参考訳（メタデータ） (2025-01-21T14:09:58Z)
• Stable Neighbor Denoising for Source-free Domain Adaptive Segmentation [91.83820250747935]
  擬似ラベルノイズは主に不安定なサンプルに含まれており、ほとんどのピクセルの予測は自己学習中に大きく変化する。 我々は, 安定・不安定な試料を効果的に発見する, SND(Stable Neighbor Denoising)アプローチを導入する。 SNDは、様々なSFUDAセマンティックセグメンテーション設定における最先端メソッドよりも一貫して優れている。
  論文  参考訳（メタデータ） (2024-06-10T21:44:52Z)
• DopUS-Net: Quality-Aware Robotic Ultrasound Imaging based on Doppler Signal [48.97719097435527]
  DopUS-Netはドップラー画像とBモード画像を組み合わせることで、小血管のセグメンテーション精度と堅牢性を高める。 動脈再同定モジュールは、リアルタイムセグメンテーション結果を質的に評価し、拡張ドップラー画像に対するプローブポーズを自動的に最適化する。
  論文  参考訳（メタデータ） (2023-05-15T18:19:29Z)
• Latent Class-Conditional Noise Model [54.56899309997246]
  本稿では,ベイズ的枠組みの下での雑音遷移をパラメータ化するためのLatent Class-Conditional Noise Model (LCCN)を提案する。 次に、Gibs sampler を用いて遅延真のラベルを効率的に推測できる LCCN の動的ラベル回帰法を導出する。 提案手法は,サンプルのミニバッチから事前の任意チューニングを回避するため,ノイズ遷移の安定な更新を保護している。
  論文  参考訳（メタデータ） (2023-02-19T15:24:37Z)
• ADRN: Attention-based Deep Residual Network for Hyperspectral Image Denoising [52.01041506447195]
  ノイズの多いHSIからクリーンなHSIへのマッピングを学習するために,注目に基づくディープ残差ネットワークを提案する。 実験の結果,提案手法は定量的および視覚的評価において最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-03-04T08:36:27Z)

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。