論文の概要: Adaptive Frequency Domain Alignment Network for Medical image segmentation

• arxiv url: http://arxiv.org/abs/2512.16393v1
• Date: Thu, 18 Dec 2025 10:40:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-19 18:10:32.015014
• Title: Adaptive Frequency Domain Alignment Network for Medical image segmentation
• Title（参考訳）: 医用画像分割のための適応周波数領域アライメントネットワーク
• Authors: Zhanwei Li, Liang Li, Jiawan Zhang,
• Abstract要約: 本稿では,適応周波数領域アライメントネットワーク(AFDAN)を提案する。 AFDANは3つのコアコンポーネントを統合し、堅牢なドメイン間の知識伝達を可能にする。 IoU (Intersection over Union) は90.9%、IoU (Intersection over Union) は82.6%である。
• 参考スコア（独自算出の注目度）: 12.523227863301988
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-quality annotated data plays a crucial role in achieving accurate segmentation. However, such data for medical image segmentation are often scarce due to the time-consuming and labor-intensive nature of manual annotation. To address this challenge, we propose the Adaptive Frequency Domain Alignment Network (AFDAN)--a novel domain adaptation framework designed to align features in the frequency domain and alleviate data scarcity. AFDAN integrates three core components to enable robust cross-domain knowledge transfer: an Adversarial Domain Learning Module that transfers features from the source to the target domain; a Source-Target Frequency Fusion Module that blends frequency representations across domains; and a Spatial-Frequency Integration Module that combines both frequency and spatial features to further enhance segmentation accuracy across domains. Extensive experiments demonstrate the effectiveness of AFDAN: it achieves an Intersection over Union (IoU) of 90.9% for vitiligo segmentation in the newly constructed VITILIGO2025 dataset and a competitive IoU of 82.6% on the retinal vessel segmentation benchmark DRIVE, surpassing existing state-of-the-art approaches.
• Abstract（参考訳）: 高品質な注釈付きデータは、正確なセグメンテーションを達成する上で重要な役割を果たす。 しかし, 医用画像のセグメンテーションのためのデータは, 手動アノテーションの時間的・労力的な性質のため, 少ないことが多い。 この課題に対処するために、周波数領域の機能の整合とデータ不足を軽減するために設計された新しいドメイン適応フレームワークであるAdaptive Frequency Domain Alignment Network (AFDAN)を提案する。 AFDANは、堅牢なドメイン間の知識伝達を可能にするために、3つのコアコンポーネントを統合している。ソースからターゲットドメインに機能を転送するAdversarial Domain Learning Module、ドメイン間の周波数表現をブレンドするSource-Target Frequency Fusion Module、周波数と空間の両方の特徴を組み合わせたSpatial-Frequency Integration Moduleである。 新しく構築されたVITILIGO2025データセットの振動性セグメンテーションに90.9%のIoUと、網膜血管セグメンテーションベンチマークDRIVEで82.6%の競合性IoUを達成し、既存の最先端のアプローチを上回っている。

関連論文リスト

• Global-focal Adaptation with Information Separation for Noise-robust Transfer Fault Diagnosis [48.69961294481149]
  ノイズ条件下でのドメイン横断故障診断のための情報分離グローバル焦点対向ネットワーク(ISGFAN)を提案する。 ISGFANは、ドメイン不変のフォールト表現を分離するために、逆学習と改善された損失を統合する情報分離アーキテクチャ上に構築されている。 3つの公開データセットで行った実験は、提案手法が他の顕著な既存手法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2025-10-16T01:13:06Z)
• Spatial and Frequency Domain Adaptive Fusion Network for Image Deblurring [0.0]
  Image Deblurringは、対応するぼやけた画像から潜むシャープなイメージを再構築することを目的としている。 本稿では、この制限に対応するために、空間周波数領域適応核融合ネットワーク(SFAFNet)を提案する。 我々のSFAFNetは、一般的に使用されているベンチマークにおける最先端のアプローチと比較して好意的に機能する。
  論文  参考訳（メタデータ） (2025-02-20T02:43:55Z)
• Integrating Frequency Guidance into Multi-source Domain Generalization for Bearing Fault Diagnosis [24.85752780864944]
  本稿では,FARNetというFourierベースのAugmentation Restruction Networkを提案する。 本発明のネットワークは、振幅スペクトルサブネットワークと位相スペクトルサブネットワークとから構成され、ソースドメインとターゲットドメインとの相違を順次低減する。 モデル出力の決定境界を従来の三重項損失と比較して洗練するために,一般化に寄与する多様体三重項損失を提案する。
  論文  参考訳（メタデータ） (2025-02-01T20:23:03Z)
• Accelerated Multi-Contrast MRI Reconstruction via Frequency and Spatial Mutual Learning [50.74383395813782]
  本稿では,周波数・空間相互学習ネットワーク(FSMNet)を提案する。 提案したFSMNetは, 加速度係数の異なるマルチコントラストMR再構成タスクに対して, 最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-09-21T12:02:47Z)
• FIESTA: Fourier-Based Semantic Augmentation with Uncertainty Guidance for Enhanced Domain Generalizability in Medical Image Segmentation [10.351755243183383]
  医用画像セグメンテーション(MIS)における単一ソース領域一般化(SDG)は、1つのソースドメインのみのデータを使用してモデルを一般化し、目に見えないターゲットドメインからデータをセグメントすることを目的としている。 既存の手法では、MISでよく見られる詳細や不確実な領域を十分に考慮できないことが多く、誤分類につながる。 本稿では、不確実性ガイダンスを用いたFIESTAと呼ばれるフーリエに基づく意味拡張手法を提案する。
  論文  参考訳（メタデータ） (2024-06-20T13:37:29Z)
• RaffeSDG: Random Frequency Filtering enabled Single-source Domain Generalization for Medical Image Segmentation [41.50001361938865]
  ディープラーニングモデルは、ソースとターゲットデータの間にドメインシフトがある場合、正確な推論を行う際の課題に直面することが多い。 単一ソース領域一般化アルゴリズム(RaffeSDG)を提案する。 RaffeSDGは、単一ソースドメインでトレーニングされたセグメンテーションモデルで、堅牢なドメイン外推論を約束する。
  論文  参考訳（メタデータ） (2024-05-02T12:13:00Z)
• Unified Domain Adaptive Semantic Segmentation [105.05235403072021]
  Unsupervised Adaptive Domain Semantic (UDA-SS)は、ラベル付きソースドメインからラベル付きターゲットドメインに監督を移すことを目的としている。 本稿では,特徴量と特徴量との相違に対処するQuad-directional Mixup(QuadMix)法を提案する。 提案手法は,4つの挑戦的UDA-SSベンチマークにおいて,最先端の成果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） (2023-11-22T09:18:49Z)
• Amplitude Spectrum Transformation for Open Compound Domain Adaptive Semantic Segmentation [62.68759523116924]
  オープン化合物ドメイン適応(OCDA)は、実用的な適応セットとして現れている。 我々は、新しい特徴空間振幅スペクトル変換(AST)を提案する。
  論文  参考訳（メタデータ） (2022-02-09T05:40:34Z)
• Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training for Road Segmentation of Remote Sensing Images [93.50240389540252]
  リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。 本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。 2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手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） (2021-08-28T09:29:14Z)
• 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)

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。