論文の概要: SHAPE: Structure-aware Hierarchical Unsupervised Domain Adaptation with Plausibility Evaluation for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2603.21904v1
• Date: Mon, 23 Mar 2026 12:25:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.665838
• Title: SHAPE: Structure-aware Hierarchical Unsupervised Domain Adaptation with Plausibility Evaluation for Medical Image Segmentation
• Title（参考訳）: SHAPE: 医用画像分割のための可視性評価を用いた構造認識型階層的非教師付きドメイン適応
• Authors: Linkuan Zhou, Yinghao Xia, Yufei Shen, Xiangyu Li, Wenjie Du, Cong Cong, Leyi Wei, Ran Su, Qiangguo Jin,
• Abstract要約: 非教師付きドメイン適応(Unsupervised Domain Adaptation, UDA)は、様々な臨床環境に医療セグメンテーションモデルを配置するために不可欠である。 SHAPE(Structure-Aware Hierarchical Unsupervised Domain Adaptation with Plausibility Evaluation)は、グローバルな解剖学的妥当性に対する適応を再構築するフレームワークである。
• 参考スコア（独自算出の注目度）: 7.174788000625294
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised Domain Adaptation (UDA) is essential for deploying medical segmentation models across diverse clinical environments. Existing methods are fundamentally limited, suffering from semantically unaware feature alignment that results in poor distributional fidelity and from pseudo-label validation that disregards global anatomical constraints, thus failing to prevent the formation of globally implausible structures. To address these issues, we propose SHAPE (Structure-aware Hierarchical Unsupervised Domain Adaptation with Plausibility Evaluation), a framework that reframes adaptation towards global anatomical plausibility. Built on a DINOv3 foundation, its Hierarchical Feature Modulation (HFM) module first generates features with both high fidelity and class-awareness. This shifts the core challenge to robustly validating pseudo-labels. To augment conventional pixel-level validation, we introduce Hypergraph Plausibility Estimation (HPE), which leverages hypergraphs to assess the global anatomical plausibility that standard graphs cannot capture. This is complemented by Structural Anomaly Pruning (SAP) to purge remaining artifacts via cross-view stability. SHAPE significantly outperforms prior methods on cardiac and abdominal cross-modality benchmarks, achieving state-of-the-art average Dice scores of 90.08% (MRI->CT) and 78.51% (CT->MRI) on cardiac data, and 87.48% (MRI->CT) and 86.89% (CT->MRI) on abdominal data. The code is available at https://github.com/BioMedIA-repo/SHAPE.
• Abstract（参考訳）: 非教師付きドメイン適応(Unsupervised Domain Adaptation, UDA)は、様々な臨床環境に医療セグメンテーションモデルを配置するために不可欠である。 既存の手法は基本的に制限されており、分布の忠実度が劣る意味不明な特徴アライメントや、グローバルな解剖学的制約を無視する擬似ラベル検証に悩まされており、グローバルな不明瞭な構造の形成を防げない。 これらの課題に対処するため,我々はSHAPE (Structure-aware Hierarchical Unsupervised Domain Adaptation with Plausibility Evaluation)を提案する。 DINOv3の基礎の上に構築され、階層的特徴変調(HFM)モジュールは、高い忠実度とクラス認識の両方の機能を最初に生成する。 これは、コアチャレンジを疑似ラベルの堅牢な検証にシフトさせる。 従来の画素レベルの検証を強化するために,ハイパーグラフを利用して標準グラフが捉えられないグローバルな解剖学的妥当性を評価するハイパーグラフプラウザビリティ推定(HPE)を導入する。 これはSAP(Structure Anomaly Pruning)によって補完され、ビュー間の安定性を通じて残るアーティファクトを浄化する。 SHAPEは、心臓と腹部のクロスモダリティのベンチマークにおいて、90.08%(MRI->CT)、78.51%(CT->MRI)、87.48%(MRI->CT)、86.89%(CT->MRI)のスコアを得た。 コードはhttps://github.com/BioMedIA-repo/SHAPEで公開されている。

関連論文リスト

• Layout-Guided Controllable Pathology Image Generation with In-Context Diffusion Transformers [57.54843029965778]
  制御可能な病理画像合成には、空間配置、組織形態、意味的詳細の信頼できる規制が必要である。 In-Context Diffusion Transformer (IC-DiT) は,空間レイアウト,テキスト記述,視覚的埋め込みを統合拡散変換器に組み込んだレイアウト認識生成モデルである。 IC-DiTは既存の方法よりも忠実度が高く、空間制御性が強く、診断の整合性が良くなる。
  論文  参考訳（メタデータ） (2026-03-11T06:14:11Z)
• Using Unsupervised Domain Adaptation Semantic Segmentation for Pulmonary Embolism Detection in Computed Tomography Pulmonary Angiogram (CTPA) Images [0.0]
  非教師なしドメイン適応(UDA)フレームワークはTransformerのバックボーンとMean-Teacherアーキテクチャを使って、センター間のセマンティックセマンティックセグメンテーションを実現する。 主な焦点は、特徴空間内の深い構造情報を学習することで、擬似ラベルの信頼性を高めることである。 クロスセンタデータセット(FUMPEとCAD-PE)で実施した実験的検証は、大幅な性能向上を示す。
  論文  参考訳（メタデータ） (2026-02-23T14:33:24Z)
• XAI-Driven Diagnosis of Generalization Failure in State-Space Cerebrovascular Segmentation Models: A Case Study on Domain Shift Between RSNA and TopCoW Datasets [0.5735035463793009]
  我々は、最先端状態空間モデル(SSM)の一般化失敗を診断するための厳密で二相的なアプローチを提案する。 そこで本研究では,アテンションマップとグラウンド・トゥルース・セグメンテーションの重なり合いを計測することにより,モデルの焦点を定量化した。 本分析は,ターゲット領域の真の解剖学的特徴を放棄したアテンション機構のため,モデルが一般化しなかったことを証明している。
  論文  参考訳（メタデータ） (2025-12-16T00:34:32Z)
• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• 3DViT-GAT: A Unified Atlas-Based 3D Vision Transformer and Graph Learning Framework for Major Depressive Disorder Detection Using Structural MRI Data [0.0]
  大うつ病 (Major depressive disorder, MDD) は、個人の健康と世界的な公衆衛生の両方に悪影響を及ぼす精神疾患である。 本稿では、視覚変換器(ViT)を用いて、sMRIデータから3次元領域埋め込みを抽出し、グラフニューラルネットワーク(GNN)を分類する統合パイプラインを開発する。
  論文  参考訳（メタデータ） (2025-09-15T17:10:39Z)
• Depth-Sequence Transformer (DST) for Segment-Specific ICA Calcification Mapping on Non-Contrast CT [38.85617601239779]
  従来の3Dモデルは、縮小されたボリュームや分離されたパッチを処理せざるを得ない。 我々は,3次元課題を1次元軸方向に沿ったtextbfParallel Probabilistic Landmark Localizationタスクとして再構成する。 フル解像度CTボリュームを2次元スライスシーケンスとして処理するフレームワークである textbfDepth-Sequence Transformer (DST) を提案する。
  論文  参考訳（メタデータ） (2025-07-10T23:12:12Z)
• KaLDeX: Kalman Filter based Linear Deformable Cross Attention for Retina Vessel Segmentation [46.57880203321858]
  カルマンフィルタを用いた線形変形型クロスアテンション(LDCA)モジュールを用いた血管セグメンテーションのための新しいネットワーク(KaLDeX)を提案する。 我々のアプローチは、カルマンフィルタ(KF)ベースの線形変形可能な畳み込み(LD)とクロスアテンション(CA)モジュールの2つの重要なコンポーネントに基づいている。 提案手法は,網膜基底画像データセット(DRIVE,CHASE_BD1,STARE)とOCTA-500データセットの3mm,6mmを用いて評価した。
  論文  参考訳（メタデータ） (2024-10-28T16:00:42Z)
• ConDiSR: Contrastive Disentanglement and Style Regularization for Single Domain Generalization [42.810247034149214]
  医療データは、しばしば分散シフトを示し、標準パイプラインを使用してトレーニングされたディープラーニングモデルのテスト時のパフォーマンス劣化を引き起こす。 本研究は、分類タスクの文脈において、単一ドメインの一般化フレームワークを探索することの重要性と課題を強調した。
  論文  参考訳（メタデータ） (2024-03-14T13:50:44Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• Semi-supervised Anatomical Landmark Detection via Shape-regulated Self-training [37.691539309804426]
  よく注釈付けされた医療画像は費用がかかり、時には入手も不可能で、目印検出の精度をある程度損なう。 半教師付きランドマーク検出のためのモデルに依存しない形状制御型自己学習フレームワークを提案する。 当社のフレームワークは柔軟で,ほとんどの教師付きメソッドに統合されたプラグイン・アンド・プレイモジュールとして使用することで,パフォーマンスをさらに向上する。
  論文  参考訳（メタデータ） (2021-05-28T05:23:07Z)

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。