論文の概要: Contrastive Graph Modeling for Cross-Domain Few-Shot Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2512.21683v1
• Date: Thu, 25 Dec 2025 14:00:17 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-29 12:00:35.728327
• Title: Contrastive Graph Modeling for Cross-Domain Few-Shot Medical Image Segmentation
• Title（参考訳）: 医用画像分割のためのコントラストグラフモデリング
• Authors: Yuntian Bo, Tao Zhou, Zechao Li, Haofeng Zhang, Ling Shao,
• Abstract要約: クロスドメイン少ショット医療画像セグメンテーション(CD-FSMIS)は医療応用に有望でデータ効率のよいソリューションを提供する。 本稿では,医用画像の構造的整合性を利用したコントラストグラフモデリング(C-Graph)を提案する。
• 参考スコア（独自算出の注目度）: 58.41482540044918
• License:
• Abstract: Cross-domain few-shot medical image segmentation (CD-FSMIS) offers a promising and data-efficient solution for medical applications where annotations are severely scarce and multimodal analysis is required. However, existing methods typically filter out domain-specific information to improve generalization, which inadvertently limits cross-domain performance and degrades source-domain accuracy. To address this, we present Contrastive Graph Modeling (C-Graph), a framework that leverages the structural consistency of medical images as a reliable domain-transferable prior. We represent image features as graphs, with pixels as nodes and semantic affinities as edges. A Structural Prior Graph (SPG) layer is proposed to capture and transfer target-category node dependencies and enable global structure modeling through explicit node interactions. Building upon SPG layers, we introduce a Subgraph Matching Decoding (SMD) mechanism that exploits semantic relations among nodes to guide prediction. Furthermore, we design a Confusion-minimizing Node Contrast (CNC) loss to mitigate node ambiguity and subgraph heterogeneity by contrastively enhancing node discriminability in the graph space. Our method significantly outperforms prior CD-FSMIS approaches across multiple cross-domain benchmarks, achieving state-of-the-art performance while simultaneously preserving strong segmentation accuracy on the source domain.
• Abstract（参考訳）: クロスドメイン少ショット医療画像セグメンテーション(CD-FSMIS)は、アノテーションが極めて乏しく、マルチモーダル分析が必要な医療アプリケーションに対して、有望かつデータ効率のよいソリューションを提供する。 しかし、既存の手法は、通常、一般化を改善するためにドメイン固有の情報をフィルタリングするが、それは必然的にクロスドメインのパフォーマンスを制限し、ソースドメインの精度を低下させる。 これを解決するために、医用画像の構造的整合性を利用したContrastive Graph Modeling (C-Graph)を提案する。 画像の特徴をグラフとして表現し、ピクセルをノードとして、セマンティック親和性をエッジとして表現する。 構造優先グラフ(SPG)レイヤは、ターゲット-カテゴリノードの依存関係をキャプチャし、転送し、明示的なノードの相互作用を通じてグローバルな構造モデリングを可能にする。 SPG層上に構築したサブグラフマッチングデコーディング(SMD)機構は,ノード間の意味的関係を利用して予測を導出する。 さらに、グラフ空間におけるノード識別性を対照的に拡張することにより、ノードの曖昧さを緩和し、サブグラフの不均一性を減らし、コンフュージョン最小化ノードコントラスト(CNC)損失を設計する。 提案手法は,複数のクロスドメインベンチマークにおいて,従来のCD-FSMIS手法よりも大幅に優れ,最先端性能を実現し,ソースドメイン上での強いセグメンテーション精度を同時に維持する。

関連論文リスト

• Towards Pre-trained Graph Condensation via Optimal Transport [52.6504753271008]
  グラフ凝縮は、元のグラフを小さなグラフに蒸留し、冗長性を緩和し、GNNトレーニングを加速することを目的としている。 従来のGCアプローチは、厳格なGNNとタスク固有の監督に大きく依存している。 タスク依存GC法とアーキテクチャ依存GC法の限界を超越するために, 最適輸送による事前学習グラフ凝縮(PreGC)を提案する。
  論文  参考訳（メタデータ） (2025-09-18T08:13:24Z)
• 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)
• ReDiSC: A Reparameterized Masked Diffusion Model for Scalable Node Classification with Structured Predictions [64.17845687013434]
  本稿では,構造化ノード分類のための構造拡散モデルであるReDiSCを提案する。 本稿では,ReDiSCが最先端のGNN,ラベル伝搬,拡散ベースラインと比較して,優れた,あるいは高い競争力を発揮することを示す。 特にReDiSCは、従来の構造化拡散法が計算制約によって失敗する大規模データセットに効果的にスケールする。
  論文  参考訳（メタデータ） (2025-07-19T04:46:53Z)
• Scalable Weibull Graph Attention Autoencoder for Modeling Document Networks [50.42343781348247]
  解析条件後部を解析し,推論精度を向上させるグラフポアソン因子分析法(GPFA)を開発した。 また,GPFAを多層構造に拡張したグラフPoisson gamma belief Network (GPGBN) を用いて,階層的な文書関係を複数の意味レベルで捉える。 本モデルでは,高品質な階層型文書表現を抽出し,様々なグラフ解析タスクにおいて有望な性能を実現する。
  論文  参考訳（メタデータ） (2024-10-13T02:22:14Z)
• UnSeGArmaNet: Unsupervised Image Segmentation using Graph Neural Networks with Convolutional ARMA Filters [10.940349832919699]
  事前学習したViTを用いた教師なしセグメンテーションフレームワークを提案する。 画像内に固有のグラフ構造を利用することにより,セグメント化における顕著な性能を実現する。 提案手法は,ベンチマーク画像セグメンテーションデータセット上での最先端性能(教師付き手法に匹敵する)を提供する。
  論文  参考訳（メタデータ） (2024-10-08T15:10:09Z)
• Towards Unified and Adaptive Cross-Domain Collaborative Filtering via Graph Signal Processing [48.04521184170971]
  CDR(Cross-Domain Recommendation)は、疎いターゲットドメインのレコメンデーションを改善するために高密度ドメインを活用することで、有望なソリューションとして登場した。 グラフ信号処理(GSP)に基づく統一適応型CDRフレームワークCGSPを提案する。
  論文  参考訳（メタデータ） (2024-07-17T07:52:45Z)
• Population Graph Cross-Network Node Classification for Autism Detection Across Sample Groups [10.699937593876669]
  クロスネットワークノード分類は、ドメインドリフトを考慮に入れたGNN技術を拡張している。 我々は、クロスネットワークノード分類のための強力で斬新なアプローチOTGCNを提案する。 自閉症スペクトラム障害の分類におけるこのアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2024-01-10T18:04:12Z)
• Robust and Efficient Segmentation of Cross-domain Medical Images [37.38861543166964]
  医用画像の堅牢かつ効率的なセグメンテーションのための一般化可能な知識蒸留法を提案する。 本稿では,2つの一般化可能な知識蒸留方式,Dual Contrastive Graph Distillation (DCGD)とDomain-Invariant Cross Distillation (DICD)を提案する。 DICDでは、2つのモデル(例えば教師と学生)のドメイン不変セマンティックベクターをMSANのヘッダー交換によってクロスコンストラクト特徴に活用する。
  論文  参考訳（メタデータ） (2022-07-26T15:55:36Z)
• Contrastive Domain Disentanglement for Generalizable Medical Image Segmentation [12.863227646939563]
  本稿では,一般的な医用画像分割のためのコントラストディスタングル・ドメイン(CDD)ネットワークを提案する。 まず、医用画像を解剖学的表現因子とモダリティ表現因子に分解する不整合ネットワークを導入する。 次に、モデル一般化学習のための新しい領域をランダムに生成できる領域拡張戦略を提案する。
  論文  参考訳（メタデータ） (2022-05-13T10:32:41Z)
• Multi-Level Graph Convolutional Network with Automatic Graph Learning for Hyperspectral Image Classification [63.56018768401328]
  HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。 空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。 MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
  論文  参考訳（メタデータ） (2020-09-19T09:26:20Z)

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。