論文の概要: Domain-invariant Mixed-domain Semi-supervised Medical Image Segmentation with Clustered Maximum Mean Discrepancy Alignment

• arxiv url: http://arxiv.org/abs/2601.16954v1
• Date: Fri, 23 Jan 2026 18:23:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-26 14:27:27.798511
• Title: Domain-invariant Mixed-domain Semi-supervised Medical Image Segmentation with Clustered Maximum Mean Discrepancy Alignment
• Title（参考訳）: クラスタ化最大値差アライメントを用いたドメイン不変混合領域半教師型医用画像分割
• Authors: Ba-Thinh Lam, Thanh-Huy Nguyen, Hoang-Thien Nguyen, Quang-Khai Bui-Tran, Nguyen Lan Vi Vu, Phat K. Huynh, Ulas Bagci, Min Xu,
• Abstract要約: ドメイン不変な混合ドメイン半教師付きセグメンテーションフレームワークを提案する。 Copy-Paste Mechanism (CPM)は、ドメイン間で情報領域を転送することでトレーニングセットを増強する。 Cluster Maximum Mean Discrepancy (CMMD) は、ラベル付き機能を持たないクラスタをブロックし、ラベル付きアンカーとアライメントする。
• 参考スコア（独自算出の注目度）: 11.298724831730675
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning has shown remarkable progress in medical image semantic segmentation, yet its success heavily depends on large-scale expert annotations and consistent data distributions. In practice, annotations are scarce, and images are collected from multiple scanners or centers, leading to mixed-domain settings with unknown domain labels and severe domain gaps. Existing semi-supervised or domain adaptation approaches typically assume either a single domain shift or access to explicit domain indices, which rarely hold in real-world deployment. In this paper, we propose a domain-invariant mixed-domain semi-supervised segmentation framework that jointly enhances data diversity and mitigates domain bias. A Copy-Paste Mechanism (CPM) augments the training set by transferring informative regions across domains, while a Cluster Maximum Mean Discrepancy (CMMD) block clusters unlabeled features and aligns them with labeled anchors via an MMD objective, encouraging domain-invariant representations. Integrated within a teacher-student framework, our method achieves robust and precise segmentation even with very few labeled examples and multiple unknown domain discrepancies. Experiments on Fundus and M&Ms benchmarks demonstrate that our approach consistently surpasses semi-supervised and domain adaptation methods, establishing a potential solution for mixed-domain semi-supervised medical image segmentation.
• Abstract（参考訳）: 深層学習は、医用画像セマンティックセグメンテーションの顕著な進歩を示しているが、その成功は、大規模な専門家アノテーションと一貫性のあるデータ分布に大きく依存している。 実際にはアノテーションが不足し、複数のスキャナやセンターからイメージが収集されるため、未知のドメインラベルと深刻なドメインギャップが混在する。 既存の半教師付きあるいはドメイン適応アプローチは、通常、単一のドメインシフトまたは明示的なドメインインデックスへのアクセスのいずれかを前提とします。 本稿では、データの多様性を両立させ、ドメインバイアスを軽減するドメイン不変な混合ドメイン半教師付きセグメンテーションフレームワークを提案する。 Copy-Paste Mechanism (CPM) は、ドメイン間で情報領域を転送することでトレーニングセットを強化し、Cluster Maximum Mean Discrepancy (CMMD) ブロッククラスタはラベルなしの機能を備え、MDDの目的によってラベル付きアンカーと整列し、ドメイン不変表現を奨励する。 教師/学生のフレームワークに組み込まれた本手法は,ごく少数のラベル付き例と複数の未知の領域の相違を伴っても,頑健かつ高精度なセグメンテーションを実現する。 Fundus と M&Ms のベンチマーク実験により,本手法は半教師付きおよび領域適応法を一貫して超越し,混合ドメイン型半教師型医用画像セグメンテーションの潜在的解決法を確立した。

関連論文リスト

• Learning with Alignments: Tackling the Inter- and Intra-domain Shifts for Cross-multidomain Facial Expression Recognition [16.864390181629044]
  本稿では、ドメイン間のシフトとドメイン内シフトの両方を扱うための、LA-CMFERという新しいラーニング・ウィズ・アライメント・CMFERフレームワークを提案する。 これに基づいて、LA-CMFERは、知識伝達におけるハード・トゥ・アライメント・サンプルの優先順位付けをモデルに強制する二重レベル領域間アライメント法を提案する。 ドメイン内シフトに対処するため、LA-CMFERは複数ビューの整合性制約を持つ複数ビューのドメイン内アライメント手法を導入した。
  論文  参考訳（メタデータ） (2024-07-08T07:43:06Z)
• Constructing and Exploring Intermediate Domains in Mixed Domain Semi-supervised Medical Image Segmentation [36.45117307751509]
  限られたアノテーションとドメインシフトは、医用画像のセグメンテーションにおいて一般的な課題である。 混合ドメイン半監視医療画像コンポーネント(MiDSS)について紹介する。 提案手法は,3つの公開データセットで示されるように,前立腺データセットにおけるDiceスコアの顕著な13.57%の改善を実現する。
  論文  参考訳（メタデータ） (2024-04-13T10:15:51Z)
• FSDA-DG: Improving Cross-Domain Generalizability of Medical Image Segmentation with Few Source Domain Annotations [10.362970759633543]
  医用画像セグメンテーションのクロスドメイン一般化性を改善するための新しい手法としてFSDA-DGを提案する。 FSDA-DGは、画像をグローバルな広域領域とセマンティクスに誘導されたローカルリージョンに分割し、データ分散の強化のために異なる拡張戦略を適用する。
  論文  参考訳（メタデータ） (2023-11-05T07:44:40Z)
• Multi-Scale Multi-Target Domain Adaptation for Angle Closure Classification [50.658613573816254]
  角度閉包分類のためのM2DAN(Multi-scale Multi-target Domain Adversarial Network)を提案する。 異なるスケールでのこれらのドメイン不変性に基づいて、ソースドメインで訓練されたディープモデルは、複数のターゲットドメインの角度クロージャを分類することができる。
  論文  参考訳（メタデータ） (2022-08-25T15:27:55Z)
• META: Mimicking Embedding via oThers' Aggregation for Generalizable Person Re-identification [68.39849081353704]
  Domain Generalizable (DG) Person Re-identification (ReID)は、トレーニング時に対象のドメインデータにアクセスすることなく、見えないドメインをまたいでテストすることを目的としている。 本稿では,DG ReID のための OThers' Aggregation (META) を用いた Mimicking Embedding という新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-12-16T08:06:50Z)
• Structured Latent Embeddings for Recognizing Unseen Classes in Unseen Domains [108.11746235308046]
  本稿では,異なる領域からの画像を投影することで,ドメインに依存しない遅延埋め込みを学習する手法を提案する。 挑戦的なDomainNetとDomainNet-LSベンチマークの実験は、既存のメソッドよりもアプローチの方が優れていることを示している。
  論文  参考訳（メタデータ） (2021-07-12T17:57:46Z)
• AFAN: Augmented Feature Alignment Network for Cross-Domain Object Detection [90.18752912204778]
  オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。 本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。 提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2021-06-10T05:01:20Z)
• Generalizable Representation Learning for Mixture Domain Face Anti-Spoofing [53.82826073959756]
  ドメイン一般化(DG)に基づく対スプーフィングアプローチは、予期せぬシナリオの堅牢性のために注目を集めています。 ドメインダイナミック調整メタラーニング(D2AM)についてドメインラベルを使わずに提案する。 この制限を克服するため,ドメインダイナミック調整メタラーニング(D2AM)を提案する。
  論文  参考訳（メタデータ） (2021-05-06T06:04:59Z)
• Cross-Domain Grouping and Alignment for Domain Adaptive Semantic Segmentation [74.3349233035632]
  深層畳み込みニューラルネットワーク(CNN)内のソースドメインとターゲットドメインにセマンティックセグメンテーションネットワークを適用する既存の技術は、対象ドメイン自身や推定カテゴリ内のクラス間変異を考慮していない。 学習可能なクラスタリングモジュールと、クロスドメイングルーピングとアライメントと呼ばれる新しいドメイン適応フレームワークを導入する。 本手法はセマンティクスセグメンテーションにおける適応性能を一貫して向上させ,様々なドメイン適応設定において最先端を上回っている。
  論文  参考訳（メタデータ） (2020-12-15T11:36:21Z)
• Unsupervised Cross-domain Image Classification by Distance Metric Guided Feature Alignment [11.74643883335152]
  教師なしドメイン適応は、ソースドメインからターゲットドメインに知識を転送する有望な道である。 本稿では,距離メトリックガイド機能アライメント(MetFA)を提案する。 我々のモデルは、クラス分布アライメントを統合して、ソースドメインからターゲットドメインにセマンティック知識を転送します。
  論文  参考訳（メタデータ） (2020-08-19T13:36:57Z)

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。