論文の概要: U-Harmony: Enhancing Joint Training for Segmentation Models with Universal Harmonization

• arxiv url: http://arxiv.org/abs/2601.14605v1
• Date: Wed, 21 Jan 2026 02:43:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-22 21:27:50.21815
• Title: U-Harmony: Enhancing Joint Training for Segmentation Models with Universal Harmonization
• Title（参考訳）: U-Harmony:Universal Harmonizationを伴うセグメンテーションモデルのジョイントトレーニングの強化
• Authors: Weiwei Ma, Xiaobing Yu, Peijie Qiu, Jin Yang, Pan Xiao, Xiaoqi Zhao, Xiaofeng Liu, Tomo Miyazaki, Shinichiro Omachi, Yongsong Huang,
• Abstract要約: 本稿では,Universal Harmonization(U-Harmony)と呼ばれる協調学習手法を提案する。 U-Harmonyを統合することで、我々のアプローチは次々に正規化し、次に特徴分布を非正規化し、ドメイン固有のバリエーションを緩和する。 より魅力的なことに、我々のフレームワークは普遍的なモダリティ適応もサポートしており、新しい画像モダリティと解剖学的クラスをシームレスに学習することができる。
• 参考スコア（独自算出の注目度）: 30.093279965784188
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In clinical practice, medical segmentation datasets are often limited and heterogeneous, with variations in modalities, protocols, and anatomical targets across institutions. Existing deep learning models struggle to jointly learn from such diverse data, often sacrificing either generalization or domain-specific knowledge. To overcome these challenges, we propose a joint training method called Universal Harmonization (U-Harmony), which can be integrated into deep learning-based architectures with a domain-gated head, enabling a single segmentation model to learn from heterogeneous datasets simultaneously. By integrating U-Harmony, our approach sequentially normalizes and then denormalizes feature distributions to mitigate domain-specific variations while preserving original dataset-specific knowledge. More appealingly, our framework also supports universal modality adaptation, allowing the seamless learning of new imaging modalities and anatomical classes. Extensive experiments on cross-institutional brain lesion datasets demonstrate the effectiveness of our approach, establishing a new benchmark for robust and adaptable 3D medical image segmentation models in real-world clinical settings.
• Abstract（参考訳）: 臨床実践において、医学的セグメンテーションデータセットは、しばしば制限され異種であり、組織全体にわたるモダリティ、プロトコル、解剖学的標的のバリエーションがある。 既存のディープラーニングモデルは、そのような多様なデータから共同で学ぶのに苦労し、しばしば一般化またはドメイン固有の知識を犠牲にする。 これらの課題を克服するために、ドメインゲートヘッドを用いた深層学習に基づくアーキテクチャに統合可能なUniversal Harmonization(U-Harmony)と呼ばれる共同トレーニング手法を提案する。 U-Harmonyを統合することで,特徴分布を逐次正規化し,非正規化し,ドメイン固有の変動を軽減し,元のデータセット固有の知識を保存できる。 より魅力的なことに、我々のフレームワークは普遍的なモダリティ適応もサポートしており、新しい画像モダリティと解剖学的クラスをシームレスに学習することができる。 施設間脳病変データセットの広範にわたる実験は、我々のアプローチの有効性を実証し、実際の臨床環境での堅牢で適応可能な3次元医用画像セグメンテーションモデルのための新しいベンチマークを確立した。

関連論文リスト

• Adversarial Versus Federated: An Adversarial Learning based Multi-Modality Cross-Domain Federated Medical Segmentation [30.99222543580891]
  フェデレーション学習は、異なるクライアント間で機械学習モデルの協調トレーニングを可能にする。 我々は新しいフェデレーションドメイン適応(FedDA)セグメンテーショントレーニングフレームワークを提案する。 提案するFedDAは、クロスドメインのフェデレーションアグリゲーションを実現し、クロスモダリティ処理機能を備えた単一モダリティクライアントを実現する。
  論文  参考訳（メタデータ） (2025-09-28T14:26:04Z)
• UNICON: UNIfied CONtinual Learning for Medical Foundational Models [0.8672882547905405]
  医用画像では、データの不足により、すべての領域、モダリティ、タスクに対する事前トレーニングが困難になる。 継続的学習は、異なるドメインやタスクでモデルを逐次微調整することで、ソリューションを提供する。 基礎モデルのシームレスな適応を可能にするフレームワークであるUNIfied Continual Learning for Medical Foundational Models (UNICON)を提案する。
  論文  参考訳（メタデータ） (2025-08-19T17:31:32Z)
• Semantic Alignment of Unimodal Medical Text and Vision Representations [1.8848810602776873]
  汎用AIモデルは、セマンティックな関連データを処理する際に、同様の潜在空間を示すことができる。 我々は、汎用AIを専門の医療知識で橋渡しできるセマンティックアライメントについて述べる。 モダリティ間のセマンティックアライメントを利用する一元視覚エンコーダの新しいゼロショット分類手法を提案する。
  論文  参考訳（メタデータ） (2025-03-06T14:28:17Z)
• LoRKD: Low-Rank Knowledge Decomposition for Medical Foundation Models [59.961172635689664]
  知識分解」は、特定の医療課題のパフォーマンス向上を目的としている。 我々はLow-Rank Knowledge Decomposition(LoRKD)という新しいフレームワークを提案する。 LoRKDは、低ランクのエキスパートモジュールと効率的な知識分離畳み込みを組み込むことで、グラデーションを異なるタスクから明確に分離する。
  論文  参考訳（メタデータ） (2024-09-29T03:56:21Z)
• Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
  本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。 我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。 多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-15T17:55:05Z)
• 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)
• Multi-site fMRI Analysis Using Privacy-preserving Federated Learning and Domain Adaptation: ABIDE Results [13.615292855384729]
  高品質なディープラーニングモデルを訓練するには,大量の患者情報を集める必要がある。 患者データのプライバシを保護する必要があるため、複数の機関から中央データベースを組み立てることは困難である。 フェデレート・ラーニング(Federated Learning)は、エンティティのデータを集中化せずに、人口レベルのモデルをトレーニングすることを可能にする。
  論文  参考訳（メタデータ） (2020-01-16T04:49:33Z)

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。