論文の概要: DuMeta++: Spatiotemporal Dual Meta-Learning for Generalizable Few-Shot Brain Tissue Segmentation Across Diverse Ages

• arxiv url: http://arxiv.org/abs/2602.07174v1
• Date: Fri, 06 Feb 2026 20:21:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.485315
• Title: DuMeta++: Spatiotemporal Dual Meta-Learning for Generalizable Few-Shot Brain Tissue Segmentation Across Diverse Ages
• Title（参考訳）: DuMeta++ : 様々な年齢における一般化可能なFew-Shot脳組織分割のための時空間的デュアルラーニング
• Authors: Yongheng Sun, Jun Shu, Jianhua Ma, Fan Wang,
• Abstract要約: emphDuMeta++は2つのメタラーニングフレームワークで、ペア長手データなしで動作します。 提案手法は,(1)脳構造の年齢に依存しない意味表現を抽出するメタ機能学習,(2)セグメンテーションモデルのデータ-効率な適応を可能にするメタ初期化学習を統合した。
• 参考スコア（独自算出の注目度）: 14.361008329377498
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate segmentation of brain tissues from MRI scans is critical for neuroscience and clinical applications, but achieving consistent performance across the human lifespan remains challenging due to dynamic, age-related changes in brain appearance and morphology. While prior work has sought to mitigate these shifts by using self-supervised regularization with paired longitudinal data, such data are often unavailable in practice. To address this, we propose \emph{DuMeta++}, a dual meta-learning framework that operates without paired longitudinal data. Our approach integrates: (1) meta-feature learning to extract age-agnostic semantic representations of spatiotemporally evolving brain structures, and (2) meta-initialization learning to enable data-efficient adaptation of the segmentation model. Furthermore, we propose a memory-bank-based class-aware regularization strategy to enforce longitudinal consistency without explicit longitudinal supervision. We theoretically prove the convergence of our DuMeta++, ensuring stability. Experiments on diverse datasets (iSeg-2019, IBIS, OASIS, ADNI) under few-shot settings demonstrate that DuMeta++ outperforms existing methods in cross-age generalization. Code will be available at https://github.com/ladderlab-xjtu/DuMeta++.
• Abstract（参考訳）: MRIスキャンによる脳組織の正確なセグメンテーションは神経科学および臨床応用において重要であるが、脳の外観や形態の動的、年齢的変化により、ヒトの寿命にわたって一貫したパフォーマンスを達成することは依然として困難である。 従来の作業では、ペア長手データによる自己教師付き正規化を用いることで、これらのシフトを緩和しようとしたが、実際にはそのようなデータは利用できないことが多い。 これを解決するために,ペア長手データを必要としない2つのメタラーニングフレームワークである \emph{DuMeta++} を提案する。 提案手法は,(1)時空間的に進化する脳構造の年齢に依存しない意味表現を抽出するメタ機能学習,(2)分節モデルのデータ適応を可能にするメタ初期化学習とを統合した。 さらに,メモリバンクをベースとしたクラスアウェア正規化戦略を提案する。 理論的には、DuMeta++の収束を証明し、安定性を確保します。 さまざまなデータセット(iSeg-2019, IBIS, OASIS, ADNI)を数ショット設定で実験した結果、DuMeta++は、クロスエイジの一般化において既存のメソッドよりも優れていることが示された。 コードはhttps://github.com/ladderlab-xjtu/DuMeta++で入手できる。

関連論文リスト

• Guided Neural Schrödinger bridge for Brain MR image synthesis with Limited Data [3.150689113642665]
  マルチモーダル脳MRIは臨床診断に不可欠な補完情報を提供する。 これを解決するために、利用可能なモダリティから欠落するモダリティを生成する様々な方法が提案されている。 本稿では,これらの制限を克服するための新しいフレームワークであるFully Guided Schr"odinger Bridge (FGSB)を提案する。
  論文  参考訳（メタデータ） (2025-01-24T01:40:16Z)
• MAP: Domain Generalization via Meta-Learning on Anatomy-Consistent Pseudo-Modalities [12.194439938007672]
  解剖学的に整合した擬似モダリティ(MAP)のメタラーニングを提案する。 MAPは構造的特徴を学習することでモデル一般化性を向上させる。 各種網膜画像モダリティの公開データセットを7つ評価した。
  論文  参考訳（メタデータ） (2023-09-03T22:56:22Z)
• Dual Meta-Learning with Longitudinally Generalized Regularization for One-Shot Brain Tissue Segmentation Across the Human Lifespan [30.57799149219082]
  本稿では,縦に一貫した表現を学習し,微調整時に継続するメタラーニングパラダイムを提案する。 具体的には,縦貫した解剖的表現を抽出するプラグアンドプレイ特徴抽出器を学習する。 iSeg 2019とADNIデータセットの実験結果から,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-08-13T14:02:27Z)
• Architecture, Dataset and Model-Scale Agnostic Data-free Meta-Learning [117.48444197402858]
  データフリーメタトレーニングにおけるePisode cUrriculum inversion(ECI)と、内部ループ後のinvErsion calibRation(ICFIL)を提案する。 ECIは、メタモデルのリアルタイムフィードバックに応じて、擬似エピソードの難易度を適応的に増加させる。 本稿では,ECIを用いたメタトレーニングの最適化過程を,エンド・ツー・エンド方式で近似形式として定式化する。
  論文  参考訳（メタデータ） (2023-03-20T15:10:41Z)
• Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based Action Recognition [88.34182299496074]
  アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。 我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。 時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
  論文  参考訳（メタデータ） (2022-07-17T07:05:39Z)
• Improving Across-Dataset Brain Tissue Segmentation Using Transformer [10.838458766450989]
  本研究では,脳組織セグメンテーションのための新しいCNN-Transformerハイブリッドアーキテクチャを提案する。 我々は、4つのマルチサイトT1w MRIデータセットでモデルの性能を検証する。
  論文  参考訳（メタデータ） (2022-01-21T15:16:39Z)
• One to Many: Adaptive Instrument Segmentation via Meta Learning and Dynamic Online Adaptation in Robotic Surgical Video [71.43912903508765]
  MDALは、ロボット支援手術における機器セグメンテーションのための動的オンライン適応学習スキームです。 ビデオ固有のメタ学習パラダイムを通じて、楽器の一般的な知識と高速適応能力を学ぶ。 2つのデータセットで他の最先端のメソッドよりも優れています。
  論文  参考訳（メタデータ） (2021-03-24T05:02:18Z)
• Meta-Learning with Neural Tangent Kernels [58.06951624702086]
  メタモデルのニューラルタンジェントカーネル(NTK)によって誘導される再生カーネルヒルベルト空間(RKHS)における最初のメタラーニングパラダイムを提案する。 このパラダイムでは,MAMLフレームワークのように,最適な反復内ループ適応を必要としない2つのメタ学習アルゴリズムを導入する。 本研究の目的は,1) 適応をRKHSの高速適応正則化器に置き換えること,2) NTK理論に基づいて解析的に適応を解くことである。
  論文  参考訳（メタデータ） (2021-02-07T20:53:23Z)
• Sparse Graphical Memory for Robust Planning [93.39298821537197]
  スパースメモリに状態と実現可能な遷移を格納する新しいデータ構造であるスパースグラフィカルメモリ(SGM)を導入する。 SGMは、ゴール条件付きRLに古典的状態集約基準を適用し、新しい双方向整合目標に従って状態を集約する。 本研究では, SGM が, 遠近法, スパース・リワード視覚ナビゲーションタスクにおいて, 最先端の工法を著しく上回っていることを示す。
  論文  参考訳（メタデータ） (2020-03-13T17:59:32Z)

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。