論文の概要: Semantic-aware Random Convolution and Source Matching for Domain Generalization in Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2512.01510v1
- Date: Mon, 01 Dec 2025 10:35:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-02 19:46:34.806133
- Title: Semantic-aware Random Convolution and Source Matching for Domain Generalization in Medical Image Segmentation
- Title（参考訳）: 医用画像分割における領域一般化のための意味認識型ランダム畳み込みとソースマッチング
- Authors: Franz Thaler, Martin Urschler, Mateusz Kozinski, Matthias AF Gsell, Gernot Plank, Darko Stern,
- Abstract要約: 医用画像分割のための単一ソース領域一般化(DG)の課題に対処する。
SRCSMと呼ばれるディープセグメンテーションネットワークのトレーニングにおいて,DGを促進する新しい手法を提案する。
- 参考スコア（独自算出の注目度）: 4.617834334211392
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: We tackle the challenging problem of single-source domain generalization (DG) for medical image segmentation. To this end, we aim for training a network on one domain (e.g., CT) and directly apply it to a different domain (e.g., MR) without adapting the model and without requiring images or annotations from the new domain during training. We propose a novel method for promoting DG when training deep segmentation networks, which we call SRCSM. During training, our method diversifies the source domain through semantic-aware random convolution, where different regions of a source image are augmented differently, based on their annotation labels. At test-time, we complement the randomization of the training domain via mapping the intensity of target domain images, making them similar to source domain data. We perform a comprehensive evaluation on a variety of cross-modality and cross-center generalization settings for abdominal, whole-heart and prostate segmentation, where we outperform previous DG techniques in a vast majority of experiments. Additionally, we also investigate our method when training on whole-heart CT or MR data and testing on the diastolic and systolic phase of cine MR data captured with different scanner hardware, where we make a step towards closing the domain gap in this even more challenging setting. Overall, our evaluation shows that SRCSM can be considered a new state-of-the-art in DG for medical image segmentation and, moreover, even achieves a segmentation performance that matches the performance of the in-domain baseline in several settings.
- Abstract（参考訳）: 医用画像分割のための単一ソース領域一般化(DG)の課題に対処する。
そこで本研究では,あるドメイン(例えばCT)上のネットワークをトレーニングし,モデルを適応させることなく,新たなドメインからのイメージやアノテーションを必要とせずに,別のドメイン(例えばMR)に直接適用することを目的とする。
SRCSMと呼ばれるディープセグメンテーションネットワークのトレーニングにおいて,DGを促進する新しい手法を提案する。
トレーニング中,本手法は,アノテーションラベルに基づいて,ソース画像の異なる領域を異なる形で拡張する,意味認識型ランダム畳み込みによってソースドメインを多様化する。
テスト時には、ターゲット領域画像の強度をマッピングすることで、トレーニング領域のランダム化を補完し、ソース領域データと類似させる。
腹部, 全身, 前立腺のセグメンテーションにおける多種多様性および多施設間一般化設定を総合的に評価し, 従来のDG技術よりも多くの実験を行った。
さらに,胸部CTやMRデータのトレーニングや,異なるスキャナーハードウェアで取得したシネMRデータの拡張期および収縮期におけるテストの方法についても検討した。
評価の結果,SRCSMは医用画像セグメンテーションのためのDGの新たな最先端技術であり,また,複数の設定でドメイン内ベースラインの性能にマッチするセグメンテーション性能も達成できることがわかった。
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) - Unsupervised Federated Domain Adaptation for Segmentation of MRI Images [20.206972068340843]
我々は、複数のアノテーション付きソースドメインを用いた教師なしフェデレーションドメイン適応法を開発した。
提案手法により,アノテートされていないターゲットドメインにおいて,複数のアノテートされたソースドメインからの知識の伝達が可能となる。
論文 参考訳（メタデータ） (2024-01-02T00:31:41Z) - Reducing Domain Gap in Frequency and Spatial domain for Cross-modality
Domain Adaptation on Medical Image Segmentation [5.371816551086118]
教師なしドメイン適応(UDA)は、ソースドメインで訓練されたモデルを学び、ラベルなしのターゲットドメインでうまく機能することを目的としています。
本稿では, 周波数及び空間領域移動Uner Multi-Teacher蒸留フレームワークに基づく, 単純かつ効果的なUDA法を提案する。
提案手法は最先端手法と比較して優れた性能を実現する。
論文 参考訳（メタデータ） (2022-11-28T11:35:39Z) - Single-domain Generalization in Medical Image Segmentation via Test-time
Adaptation from Shape Dictionary [64.5632303184502]
ドメインの一般化は通常、モデル学習のために複数のソースドメインからのデータを必要とする。
本稿では,1つのソースドメインのみで最悪のシナリオ下でモデルを学習し,異なる未確認対象ドメインに直接一般化する,重要な単一ドメインの一般化問題について考察する。
本稿では,領域間で不変なセグメンテーションのセグメンテーション先情報を抽出し,統合する医用画像セグメンテーションにおいて,この問題に対処する新しいアプローチを提案する。
論文 参考訳（メタデータ） (2022-06-29T08:46:27Z) - Domain Generalization on Medical Imaging Classification using Episodic
Training with Task Augmentation [62.49837463676111]
本稿では,医用画像分類におけるタスク強化によるエピソードトレーニングの新たな手法を提案する。
実際の医療展開において、限られた数のソースドメインによって動機付けられ、ユニークなタスクレベルのオーバーフィッティングを検討します。
論文 参考訳（メタデータ） (2021-06-13T03:56:59Z) - 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) - DoFE: Domain-oriented Feature Embedding for Generalizable Fundus Image
Segmentation on Unseen Datasets [96.92018649136217]
対象ドメインに対するCNNの一般化能力を向上させるために,新しいドメイン指向特徴埋め込み(DoFE)フレームワークを提案する。
私たちのDoFEフレームワークは、マルチソースドメインから学んだ追加のドメイン事前知識で、画像機能を動的に強化します。
本フレームワークは、未確認データセットのセグメンテーション結果を満足して生成し、他の領域の一般化やネットワークの正規化手法を超越する。
論文 参考訳（メタデータ） (2020-10-13T07:28:39Z) - 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) - Domain Adaptive Relational Reasoning for 3D Multi-Organ Segmentation [17.504340316130023]
本手法は,医用画像の内部構造間の空間的関係が比較的固定されていることに着想を得たものである。
我々はジグソーパズルタスクを解くことで空間的関係を定式化し、シャッフルパッチからCTスキャンを復元し、臓器分割タスクと共同で訓練する。
学習した空間関係が複数の領域に伝達可能であることを保証するため,1) 分割モデルと協調して訓練された超解像ネットワークを用いて,異なる領域からの医用画像の標準化,2) テスト時間ジグソーパズルトレーニングによるテスト画像の空間関係の適応,の2つのスキームを導入する。
論文 参考訳（メタデータ） (2020-05-18T22:44:34Z) - 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。