論文の概要: Decoupling Wavelet Sub-bands for Single Source Domain Generalization in Fundus Image Segmentation

• arxiv url: http://arxiv.org/abs/2603.28463v1
• Date: Mon, 30 Mar 2026 14:04:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.433353
• Title: Decoupling Wavelet Sub-bands for Single Source Domain Generalization in Fundus Image Segmentation
• Title（参考訳）: 基底画像分割における単一ソース領域一般化のためのウェーブレットサブバンドの分離
• Authors: Shramana Dey, Varun Ajith, Abhirup Banerjee, Sushmita Mitra,
• Abstract要約: 本研究では,新しいウェーブレット誘導分割ネットワークであるWaveSDGを紹介した。 ウェーブレットサブバンド分解によって、解剖学的構造をドメイン固有の外観から切り離す。 一貫して7つの最先端データセットを上回ります。
• 参考スコア（独自算出の注目度）: 2.8382282285875653
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Domain generalization in fundus imaging is challenging due to variations in acquisition conditions across devices and clinical settings. The inability to adapt to these variations causes performance degradation on unseen domains for deep learning models. Besides, obtaining annotated data across domains is often expensive and privacy constraints restricts their availability. Although single-source domain generalization (SDG) offers a realistic solution to this problem, the existing approaches frequently fail to capture anatomical topology or decouple appearance from anatomical features. This research introduces WaveSDG, a new wavelet-guided segmentation network for SDG. It decouples anatomical structure from domain-specific appearance through a wavelet sub-band decomposition. A novel Wavelet-based Invariant Structure Extraction and Refinement (WISER) module is proposed to process encoder features by leveraging distinct semantic roles of each wavelet sub-band. The module refines low-frequency components to anchor global anatomy, while selectively enhancing directional edges and suppressing noise within the high-frequency sub-bands. Extensive ablation studies validate the effectiveness of the WISER module and its decoupling strategy. Our evaluations on optic cup and optic disc segmentation across one source and five unseen target datasets show that WaveSDG consistently outperforms seven state-of-the-art methods. Notably, it achieves the best balanced Dice score and lowest 95th percentile Hausdorff distance with reduced variance, indicating improved accuracy, robustness, and cross-domain stability.
• Abstract（参考訳）: 眼底画像における領域の一般化は、デバイス間の取得条件や臨床環境の違いにより困難である。 これらのバリエーションに適応できないことは、ディープラーニングモデルの目に見えない領域のパフォーマンス低下を引き起こす。 さらに、ドメイン間でアノテートされたデータを取得することは、しばしばコストが高く、プライバシの制約により、可用性が制限される。 単一ソース領域一般化(SDG)は、この問題に対して現実的な解決策を提供するが、既存のアプローチでは、解剖学的トポロジを捉えたり、解剖学的特徴から切り離したりすることがしばしば失敗する。 本研究では,新しいウェーブレット誘導分割ネットワークであるWaveSDGを紹介する。 ウェーブレットサブバンド分解によって、解剖学的構造をドメイン固有の外観から切り離す。 各ウェーブレットサブバンドの異なる意味的役割を生かしてエンコーダ特徴を処理するために、新しいウェーブレットベースの不変構造抽出・精製(WISER)モジュールを提案する。 モジュールは低周波成分を精製し、大域解剖をアンカーし、指向性エッジを選択的に強化し、高周波サブバンド内のノイズを抑制する。 広範囲にわたるアブレーション研究は、WISERモジュールの有効性とデカップリング戦略を検証する。 光カップと光ディスクのセグメンテーションを1つのソースと5つの未確認ターゲットデータセットで評価したところ、WaveSDGは7つの最先端手法を一貫して上回っていることがわかった。 特に、最良のバランスの取れたDiceスコアと最も低い95%のHausdorff距離を実現し、ばらつきを低減し、精度の向上、堅牢性、ドメイン間の安定性を示す。

関連論文リスト

• DDS-UDA: Dual-Domain Synergy for Unsupervised Domain Adaptation in Joint Segmentation of Optic Disc and Optic Cup [9.302794224184263]
  畳み込みニューラルネットワーク(CNN)は、単一機関データセット上での光ディスクと光カップの接合セグメンテーションにおいて、エキサイティングなパフォーマンスを実現している。 しかし、彼らの臨床翻訳は2つの大きな課題によって妨げられている。 本稿では,ドメイン間干渉とドメイン内一般化を緩和する新しい UDA フレームワークである Dual-Domain Synergy UDA (DDS-UDA) を提案する。
  論文  参考訳（メタデータ） (2026-03-07T08:30:14Z)
• Self-Supervised Multi-Stage Domain Unlearning for White-Matter Lesion Segmentation [0.0]
  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。
  論文  参考訳（メタデータ） (2026-03-04T22:27:20Z)
• WaveRNet: Wavelet-Guided Frequency Learning for Multi-Source Domain-Generalized Retinal Vessel Segmentation [4.23704854635294]
  領域一般化網膜血管分節は眼科における自動診断に重要である。 本稿では,ウェーブレット誘導周波数学習フレームワークであるWaveRNetを提案する。
  論文  参考訳（メタデータ） (2026-01-09T16:58:29Z)
• WaveSeg: Enhancing Segmentation Precision via High-Frequency Prior and Mamba-Driven Spectrum Decomposition [61.3530659856013]
  本稿では,空間およびウェーブレット領域の機能改善を共同で最適化する新しいデコーダアーキテクチャであるWaveSegを提案する。 高周波成分は、まず入力画像から、境界の詳細を強化するために明示的な先行として学習される。 標準ベンチマークの実験では、Mambaベースの注目に先立ってウェーブレット-ドメイン周波数を利用するWaveSegが、常に最先端のアプローチより優れていることが示されている。
  論文  参考訳（メタデータ） (2025-10-24T01:41:31Z)
• Global-focal Adaptation with Information Separation for Noise-robust Transfer Fault Diagnosis [48.69961294481149]
  ノイズ条件下でのドメイン横断故障診断のための情報分離グローバル焦点対向ネットワーク(ISGFAN)を提案する。 ISGFANは、ドメイン不変のフォールト表現を分離するために、逆学習と改善された損失を統合する情報分離アーキテクチャ上に構築されている。 3つの公開データセットで行った実験は、提案手法が他の顕著な既存手法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2025-10-16T01:13:06Z)
• Wavelet-Guided Dual-Frequency Encoding for Remote Sensing Change Detection [67.84730634802204]
  リモートセンシング画像の変化検出は,自然災害監視,都市拡張追跡,インフラ管理など,さまざまな工学的応用において重要な役割を担っている。 既存のほとんどの手法は空間領域モデリングに依存しており、特徴表現の限られた多様性は微妙な変化領域の検出を妨げる。 本研究では、特にウェーブレット領域における周波数領域の特徴モデリングが周波数成分の微細な違いを増幅し、空間領域において捉えにくいエッジ変化の知覚を高めることを観察する。
  論文  参考訳（メタデータ） (2025-08-07T11:14:16Z)
• Frequency Prior Guided Matching: A Data Augmentation Approach for Generalizable Semi-Supervised Polyp Segmentation [5.951218651336557]
  ポリプエッジは、多様なデータセット間で、驚くほど一貫した周波数シグネチャを示す。 FPGMはラベル付きポリープのエッジ領域から前もってドメイン不変周波数を学習する。 ラベルのない画像に対してスペクトル摂動を原則として行い、その振幅スペクトルを学習済みの画像と整合させる。 例外的なゼロショットの一般化能力を示し、データ共有シナリオにおけるDiceスコアの10%以上の絶対的なゲインを達成する。
  論文  参考訳（メタデータ） (2025-07-30T16:08:40Z)
• FreSca: Scaling in Frequency Space Enhances Diffusion Models [55.75504192166779]
  本稿では,潜時拡散モデルにおける周波数制御について検討する。 本稿では,低周波成分と高周波成分にノイズ差を分解する新しいフレームワークFreScaを紹介する。 FreScaはモデルの再トレーニングやアーキテクチャの変更なしに動作し、モデルとタスクに依存しない制御を提供する。
  論文  参考訳（メタデータ） (2025-04-02T22:03:11Z)
• Integrating Frequency Guidance into Multi-source Domain Generalization for Bearing Fault Diagnosis [24.85752780864944]
  本稿では,FARNetというFourierベースのAugmentation Restruction Networkを提案する。 本発明のネットワークは、振幅スペクトルサブネットワークと位相スペクトルサブネットワークとから構成され、ソースドメインとターゲットドメインとの相違を順次低減する。 モデル出力の決定境界を従来の三重項損失と比較して洗練するために,一般化に寄与する多様体三重項損失を提案する。
  論文  参考訳（メタデータ） (2025-02-01T20:23:03Z)
• Self-Guided Adaptation: Progressive Representation Alignment for Domain Adaptive Object Detection [86.69077525494106]
  非教師なしドメイン適応(UDA)は、オブジェクト検出モデルのドメイン間ロバスト性を改善するために前例のない成功を収めた。 既存のUDA手法は、モデル学習中の瞬間的なデータ分布を無視しており、大きなドメインシフトによって特徴表現が劣化する可能性がある。 本稿では、特徴表現の整合とドメイン間のオブジェクト検出モデルの転送を目標とする自己ガイド適応モデルを提案する。
  論文  参考訳（メタデータ） (2020-03-19T13:30:45Z)

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。