論文の概要: Self-Supervised Multi-Stage Domain Unlearning for White-Matter Lesion Segmentation

• arxiv url: http://arxiv.org/abs/2603.13328v1
• Date: Wed, 04 Mar 2026 22:27:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.309556
• Title: Self-Supervised Multi-Stage Domain Unlearning for White-Matter Lesion Segmentation
• Title（参考訳）: ホワイトマター病変分割のための自己監督型マルチステージ領域学習
• Authors: Domen Preložnik, Žiga Špiclin,
• Abstract要約: 自己教師型多段階アンラーニングに基づく教師なしドメイン適応手法を提案する。 一方、SSMSUは、病変の感度を高め、誤検出を制限することにより、未学習の利点を示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inter-scanner variability of magnetic resonance imaging has an adverse impact on the diagnostic and prognostic quality of the scans and necessitates the development of models robust to domain shift inflicted by the unseen scanner data. Review of recent advances in domain adaptation showed that efficacy of strategies involving modifications or constraints on the latent space appears to be contingent upon the level and/or depth of supervision during model training. In this paper, we therefore propose an unsupervised domain adaptation technique based on self-supervised multi-stage unlearning (SSMSU). Building upon the state-of-the-art segmentation framework nnU-Net, we employ deep supervision at deep encoder stages using domain classifier unlearning, applied sequentially across the deep stages to suppress domain-related latent features. Following self-configurable approach of the nnU-Net, the auxiliary feedback loop implements a self-supervised backpropagation schedule for the unlearning process, since continuous unlearning was found to have a detrimental effect on the main segmentation task. Experiments were carried out on four public datasets for benchmarking white-matter lesion segmentation methods. Five benchmark models and/or strategies, covering passive to active unsupervised domain adaptation, were tested. In comparison, the SSMSU demonstrated the advantage of unlearning by enhancing lesion sensitivity and limiting false detections, which resulted in higher overall segmentation quality in terms of segmentation overlap and relative lesion volume error. The proposed model inputs only the FLAIR modality, which simplifies preprocessing pipelines, eliminates the need for inter-modality registration errors and harmonization, which can introduce variability. Source code is available on https://github.com/Pubec/nnunetv2-unlearning.
• Abstract（参考訳）: 磁気共鳴画像の走査間変動は、スキャンの診断と予後に悪影響を及ぼし、未知のスキャナーデータによって引き起こされるドメインシフトに頑健なモデルの開発が必要である。 ドメイン適応の最近の進歩のレビューでは、潜在空間における修正や制約を含む戦略の有効性は、モデルトレーニング中の監督のレベルおよび/または深さに依存しているようである。 そこで本稿では,自己教師型マルチステージアンラーニング(SSMSU)に基づく教師なしドメイン適応手法を提案する。 最先端のセグメンテーションフレームワークnnU-Netを基盤として,ドメイン分類器アンラーニングを用いた深層エンコーダステージでの深い監視を,ドメイン関連潜伏特性の抑制のために順次適用した。 nnU-Netの自己設定可能なアプローチに従うと、補助フィードバックループが学習プロセスの自己教師付きバックプロパゲーションスケジュールを実装し、これは継続的アンラーニングがメインセグメンテーションタスクに有害な影響があることが判明したからである。 ホワイトマター病変分割法をベンチマークするための4つの公開データセットを用いて実験を行った。 5つのベンチマークモデルと/または戦略が、パッシブからアクティブな教師なしドメイン適応をカバーしてテストされた。 比較して,SSMSUは,病変の感度を高め,偽検出を制限することにより,非学習の利点を証明した。 提案モデルでは,プレプロセスパイプラインを単純化したFLAIRモダリティのみを入力し,モダリティ間登録エラーや調和化の必要性を排除し,可変性を実現する。 ソースコードはhttps://github.com/Pubec/nnunetv2-unlearningで入手できる。

関連論文リスト

• ADAptation: Reconstruction-based Unsupervised Active Learning for Breast Ultrasound Diagnosis [11.49367029555765]
  ディープラーニングベースの診断モデルは、トレーニング(ソース)とテスト(ターゲット)ドメイン間の分散シフトによって、パフォーマンス低下を被ることが多い。 本稿では、適応ドメインのための教師なしアクティブ学習フレームワークADAptationを提案する。 本手法は,アノテーション予算に制限されたマルチドメインデータプールから情報サンプルを効率よく選択する。
  論文  参考訳（メタデータ） (2025-07-01T06:45:02Z)
• Taxonomy Adaptive Cross-Domain Adaptation in Medical Imaging via Optimization Trajectory Distillation [73.83178465971552]
  自動医用画像解析の成功は、大規模かつ専門家による注釈付きトレーニングセットに依存する。 非教師なしドメイン適応(UDA)はラベル付きデータ収集の負担を軽減するための有望なアプローチである。 本稿では,2つの技術的課題に新しい視点から対処する統一的手法である最適化トラジェクトリ蒸留を提案する。
  論文  参考訳（メタデータ） (2023-07-27T08:58:05Z)
• CADA: Multi-scale Collaborative Adversarial Domain Adaptation for Unsupervised Optic Disc and Cup Segmentation [3.587294308501889]
  CADA(Collaborative Adrial Domain Adaptation)と呼ばれる新しい教師なしドメイン適応フレームワークを提案する。 提案するCADAは,異なるネットワーク層における対角学習とアンサンブル重みの両面から,対話的な協調的適応を示すパラダイムである。 マルチスケールな入力学習を取り入れたCADAモデルは、性能劣化を克服し、最先端のドメイン適応手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-05T23:44:26Z)
• Unsupervised Domain Adaptation for Retinal Vessel Segmentation with Adversarial Learning and Transfer Normalization [22.186070895966022]
  本稿では,ソースドメインとターゲットドメイン間の分布差を低減するために,エントロピーに基づく逆学習戦略を提案する。 ディープネットワークの転送性をさらに向上するために,新しい転送正規化層を提案する。 我々の手法は、他の最先端手法と比較して大きな性能向上をもたらす。
  論文  参考訳（メタデータ） (2021-08-04T02:45:37Z)
• Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
  本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。 具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。 提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-05-17T10:11:45Z)
• Margin Preserving Self-paced Contrastive Learning Towards Domain Adaptation for Medical Image Segmentation [51.93711960601973]
  クロスモーダル医療画像セグメンテーションのための自己ペースコントラスト学習モデルを保存する新しいマージンを提案する。 プログレッシブに洗練されたセマンティックプロトタイプの指導により、埋め込み表現空間の識別性を高めるために、コントラスト損失を減少させる新しいマージンが提案される。 クロスモーダル心セグメンテーションタスクの実験は、MPSCLが意味セグメンテーション性能を大幅に改善することを示した。
  論文  参考訳（メタデータ） (2021-03-15T15:23:10Z)
• Learning a Domain-Agnostic Visual Representation for Autonomous Driving via Contrastive Loss [25.798361683744684]
  ドメイン認識コントラスト学習(Domain-Agnostic Contrastive Learning、DACL)は、2段階の非監視ドメイン適応フレームワークである。 提案手法は,従来の最新手法に比べ,単眼深度推定作業における性能向上を実現した。
  論文  参考訳（メタデータ） (2021-03-10T07:06:03Z)
• Unsupervised Domain Adaptation Network with Category-Centric Prototype Aligner for Biomedical Image Segmentation [1.1799563040751586]
  本稿では,ラベル付きソースドメインから非ラベル付きターゲットドメインへ学習したモデルを一般化するための新しい非監視ドメイン適応ネットワークを提案する。 具体的には,条件付きドメイン判別器(cdd)とカテゴリ中心プロトタイプライナー(ccpa)という2つのキーモジュールからなる。
  論文  参考訳（メタデータ） (2021-03-03T07:07:38Z)
• Towards Robust Partially Supervised Multi-Structure Medical Image Segmentation on Small-Scale Data [123.03252888189546]
  データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。 マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。 本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
  論文  参考訳（メタデータ） (2020-11-28T16:31:00Z)
• Unsupervised Instance Segmentation in Microscopy Images via Panoptic Domain Adaptation and Task Re-weighting [86.33696045574692]
  病理組織像における教師なし核分割のためのCycle Consistency Panoptic Domain Adaptive Mask R-CNN(CyC-PDAM)アーキテクチャを提案する。 まず,合成画像中の補助的な生成物を除去するための核塗布機構を提案する。 第二に、ドメイン識別器を持つセマンティックブランチは、パンプトレベルのドメイン適応を実現するように設計されている。
  論文  参考訳（メタデータ） (2020-05-05T11:08:26Z)
• Unsupervised Domain Adaptation in Person re-ID via k-Reciprocal Clustering and Large-Scale Heterogeneous Environment Synthesis [76.46004354572956]
  個人再識別のための教師なし領域適応手法を提案する。 実験結果から,ktCUDA法とSHRED法は,再同定性能において,+5.7 mAPの平均的改善を実現することがわかった。
  論文  参考訳（メタデータ） (2020-01-14T17:43:52Z)

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。