論文の概要: FALCON: Few-Shot Adversarial Learning for Cross-Domain Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2601.01687v1
• Date: Sun, 04 Jan 2026 22:57:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:22.647045
• Title: FALCON: Few-Shot Adversarial Learning for Cross-Domain Medical Image Segmentation
• Title（参考訳）: FALCON: クロスドメイン医療画像セグメンテーションのためのFew-Shot Adversarial Learning
• Authors: Abdur R. Fayjie, Pankhi Kashyap, Jutika Borah, Patrick Vandewalle,
• Abstract要約: データを2次元スライスとして処理することで,高精度な3次元ボリュームセグメンテーションを実現するクロスドメイン・ショットセグメンテーションフレームワークであるFALCONを提案する。 FALCONは最も低いハウスドルフ距離のスコアを一貫して達成し、境界精度が優れていることを示す。 結果はラベル付きデータを大幅に減らし、データ拡張をなくし、計算オーバーヘッドを大幅に減らして達成される。
• 参考スコア（独自算出の注目度）: 6.934814982783991
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Precise delineation of anatomical and pathological structures within 3D medical volumes is crucial for accurate diagnosis, effective surgical planning, and longitudinal disease monitoring. Despite advancements in AI, clinically viable segmentation is often hindered by the scarcity of 3D annotations, patient-specific variability, data privacy concerns, and substantial computational overhead. In this work, we propose FALCON, a cross-domain few-shot segmentation framework that achieves high-precision 3D volume segmentation by processing data as 2D slices. The framework is first meta-trained on natural images to learn-to-learn generalizable segmentation priors, then transferred to the medical domain via adversarial fine-tuning and boundary-aware learning. Task-aware inference, conditioned on support cues, allows FALCON to adapt dynamically to patient-specific anatomical variations across slices. Experiments on four benchmarks demonstrate that FALCON consistently achieves the lowest Hausdorff Distance scores, indicating superior boundary accuracy while maintaining a Dice Similarity Coefficient comparable to the state-of-the-art models. Notably, these results are achieved with significantly less labeled data, no data augmentation, and substantially lower computational overhead.
• Abstract（参考訳）: 3次元医療ボリューム内の解剖学的および病理学的構造を正確に記述することは,正確な診断,効果的な手術計画,縦断的疾患モニタリングに不可欠である。 AIの進歩にもかかわらず、臨床的に実行可能なセグメンテーションは、しばしば3Dアノテーションの不足、患者固有の変数、データプライバシの懸念、かなりの計算オーバーヘッドによって妨げられる。 本研究では,2次元スライスとしてデータを処理することで,高精度な3次元ボリュームセグメンテーションを実現するクロスドメイン・ショットセグメンテーションフレームワークであるFALCONを提案する。 このフレームワークは、まず自然画像に基づいてメタトレーニングされ、学習から学習までの一般化可能なセグメンテーションを前もって学習し、その後、逆方向の微調整と境界認識学習を通じて医学領域に移行する。 タスク認識推論(Task-Aware Inference)は、サポートキューに条件付きで、FALCONがスライス間の患者固有の解剖学的バリエーションに動的に適応することを可能にする。 4つのベンチマーク実験により、FALCONは最低のハウスドルフ距離スコアを一貫して達成し、最先端のモデルに匹敵するDice類似度係数を維持しながら、境界精度が優れていることを示した。 特に、これらの結果はラベル付きデータを大幅に減らし、データ拡張をなくし、計算オーバーヘッドを大幅に減らして達成される。

関連論文リスト

• ReCoGNet: Recurrent Context-Guided Network for 3D MRI Prostate Segmentation [11.248082139905865]
  アノテーション付きデータとしてMRIシーケンスをモデル化するハイブリッドアーキテクチャを提案する。 本手法では, 深層保存型DeepVLab3バックボーンを用いて, それぞれのMRIスライスから高レベルなセマンティック特徴を抽出し, コンブLSTM層で構築した再帰的畳み込みヘッドを用いて, スライス間の情報統合を行う。 現状の2D, 3Dセグメンテーションモデルと比較して, 精度, リコール, IoU, Dice similarity Coefficient (DSC) およびロバストネスの点で優れた性能を示す。
  論文  参考訳（メタデータ） (2025-06-24T14:56:55Z)
• Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
  本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。 管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
  論文  参考訳（メタデータ） (2024-01-11T19:07:58Z)
• SwIPE: Efficient and Robust Medical Image Segmentation with Implicit Patch Embeddings [12.79344668998054]
  正確な局所境界線とグローバルな形状コヒーレンスを実現するために,SwIPE(Segmentation with Implicit Patch Embeddings)を提案する。 その結果,最近の暗黙的アプローチよりもSwIPEは大幅に改善され,パラメータが10倍以上の最先端の離散手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-07-23T20:55:11Z)
• Semantic segmentation of surgical hyperspectral images under geometric domain shifts [69.91792194237212]
  本稿では、幾何学的アウト・オブ・ディストリビューション(OOD)データの存在下で、最先端のセマンティックセグメンテーションネットワークを初めて分析する。 有機移植(Organ transplantation)と呼ばれる専用の拡張技術により、一般化可能性にも対処する。 提案手法は,SOA DSCの最大67 % (RGB) と90% (HSI) を改善し,実際のOODテストデータ上での分配内性能と同等の性能を示す。
  論文  参考訳（メタデータ） (2023-03-20T09:50:07Z)
• UNETR++: Delving into Efficient and Accurate 3D Medical Image Segmentation [93.88170217725805]
  本稿では,高画質なセグメンテーションマスクと,パラメータ,計算コスト,推論速度の両面での効率性を提供するUNETR++という3次元医用画像セグメンテーション手法を提案する。 我々の設計の核となるのは、空間的およびチャネル的な識別的特徴を効率的に学習する、新しい効率的な対注意ブロック(EPA)の導入である。 Synapse, BTCV, ACDC, BRaTs, Decathlon-Lungの5つのベンチマークで評価した結果, 効率と精度の両面で, コントリビューションの有効性が示された。
  論文  参考訳（メタデータ） (2022-12-08T18:59:57Z)
• Multi-organ Segmentation Network with Adversarial Performance Validator [10.775440368500416]
  本稿では,2次元から3次元のセグメンテーションフレームワークに対向的な性能検証ネットワークを導入する。 提案したネットワークは, 2次元粗い結果から3次元高品質なセグメンテーションマスクへの変換を行い, 共同最適化によりセグメンテーション精度が向上する。 NIH膵分節データセットの実験では、提案したネットワークが小臓器分節の最先端の精度を達成し、過去の最高性能を上回った。
  論文  参考訳（メタデータ） (2022-04-16T18:00:29Z)
• Few-shot image segmentation for cross-institution male pelvic organs using registration-assisted prototypical learning [13.567073992605797]
  本研究は,医用画像のための最初の3D画像間セグメンテーションネットワークを提案する。 興味のある8つの領域を持つ前立腺がん患者のラベル付き多施設データセットを使用する。 内蔵登録機構は、被験者間の一貫性のある解剖学の事前知識を効果的に活用することができる。
  論文  参考訳（メタデータ） (2022-01-17T11:44:10Z)
• Volumetric Medical Image Segmentation: A 3D Deep Coarse-to-fine Framework and Its Adversarial Examples [74.92488215859991]
  本稿では,これらの課題に効果的に取り組むために,新しい3Dベースの粗粒度フレームワークを提案する。 提案した3Dベースのフレームワークは、3つの軸すべてに沿ってリッチな空間情報を活用できるため、2Dよりも大きなマージンで優れている。 我々は,3つのデータセット,NIH膵データセット,JHMI膵データセット,JHMI病理嚢胞データセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-10-29T15:39:19Z)

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。