論文の概要: Why Invariance is Not Enough for Biomedical Domain Generalization and How to Fix It

• arxiv url: http://arxiv.org/abs/2604.02564v1
• Date: Thu, 02 Apr 2026 22:29:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 17:20:24.236615
• Title: Why Invariance is Not Enough for Biomedical Domain Generalization and How to Fix It
• Title（参考訳）: 医学領域の一般化に不均一が不十分な理由と修正方法
• Authors: Sebo Diaz, Polina Golland, Elfar Adalsteinsson, Neel Dey,
• Abstract要約: そこで,DropGenについて述べる。DropGenは3次元バイオメディカルイメージセグメンテーションにおける領域一般化のための理論的基礎的なアプローチである。 DropGenは、バイオメディカル研究の幅広いシフトにおいて、完全に教師されたセグメンテーションと数発のセグメンテーションの両方において、大きな進歩を遂げている。
• 参考スコア（独自算出の注目度）: 9.275296973325732
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present DropGen, a simple and theoretically-grounded approach for domain generalization in 3D biomedical image segmentation. Modern segmentation models degrade sharply under shifts in modality, disease severity, clinical sites, and other factors, creating brittle models that limit reliable deployment. Existing domain generalization methods rely on extreme augmentations, mixing domain statistics, or architectural redesigns, yet incur significant implementation overhead and yield inconsistent performance across biomedical settings. DropGen instead proposes a principled learning strategy with minimal overhead that leverages both source-domain image intensities and domain-stable foundation model representations to train robust segmentation models. As a result, DropGen achieves strong gains in both fully supervised and few-shot segmentation across a broad range of shifts in biomedical studies. Unlike prior approaches, DropGen is architecture- and loss-agnostic, compatible with standard augmentation pipelines, computationally lightweight, and tackles arbitrary anatomical regions. Our implementation is freely available at https://github.com/sebodiaz/DropGen.
• Abstract（参考訳）: そこで,DropGenを提案する。DropGenは3次元バイオメディカルイメージセグメンテーションにおける領域一般化のためのシンプルで理論的に基礎的なアプローチである。 現代のセグメンテーションモデルは、モダリティ、病気の重症度、臨床現場、その他の要因のシフトの下で急速に低下し、信頼性の高いデプロイメントを制限する脆弱なモデルを作成している。 既存のドメインの一般化手法は、極端な拡張、ドメイン統計の混合、アーキテクチャの再設計に頼っているが、実装上のオーバーヘッドが大きくなり、バイオメディカルな設定で不整合性が生じる。 代わりにDropGenは、ソースドメイン画像強度とドメイン安定基盤モデル表現の両方を活用して、堅牢なセグメンテーションモデルをトレーニングする、最小限のオーバーヘッドで、原則化された学習戦略を提案する。 その結果、DropGenは、バイオメディカル研究の幅広いシフトにおいて、完全な教師付きと数発のセグメンテーションの両方において、強い利益を得ることができた。 従来のアプローチとは異なり、DropGenはアーキテクチャと損失に依存しず、標準的な拡張パイプラインと互換性があり、計算的に軽量であり、任意の解剖学的領域に取り組む。 私たちの実装はhttps://github.com/sebodiaz/DropGen.comで無料で利用可能です。

関連論文リスト

• HypCBC: Domain-Invariant Hyperbolic Cross-Branch Consistency for Generalizable Medical Image Analysis [1.8747639074211104]
  医用画像解析における双曲表現学習の総合的検証について述べる。 我々は11の分布内データセットと3つのViTモデルに対して統計的に有意な利得を示した。 提案手法は,ドメイン不変性を促進し,平均2.1%のAUCで最先端のユークリッド法より優れる。
  論文  参考訳（メタデータ） (2026-02-03T08:50:24Z)
• MedShift: Implicit Conditional Transport for X-Ray Domain Adaptation [4.797322346441165]
  本稿では,頭部の合成X線画像と実際のX線画像とのクロスドメイン変換の課題について述べる。 本稿では,フローマッチングとシュロディンガーブリッジに基づくクラス条件生成モデルであるMedShiftを提案する。 X-DigiSkullは、様々な放射線線量の下で、合成X線と実X線を並べた新しいデータセットである。
  論文  参考訳（メタデータ） (2025-08-29T09:04:11Z)
• Test-Time Domain Generalization via Universe Learning: A Multi-Graph Matching Approach for Medical Image Segmentation [17.49123106322442]
  テスト時間適応(TTA)は、未ラベルのテストデータを用いて学習モデルを調整する。 形態情報を導入し,マルチグラフマッチングに基づくフレームワークを提案する。 本手法は,2つの医用画像セグメンテーションベンチマークにおいて,他の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2025-03-17T10:11:11Z)
• Prompting Segment Anything Model with Domain-Adaptive Prototype for Generalizable Medical Image Segmentation [49.5901368256326]
  医用画像のセグメンテーションにおけるセグメンテーションモデル(DAPSAM)の微調整のための新しいドメイン適応型プロンプトフレームワークを提案する。 DAPSAMは,2つの医療画像分割タスクにおいて,異なるモダリティで最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-09-19T07:28:33Z)
• StyDeSty: Min-Max Stylization and Destylization for Single Domain Generalization [85.18995948334592]
  単一のドメインの一般化(単一DG)は、単一のトレーニングドメインからのみ見えないドメインに一般化可能な堅牢なモデルを学ぶことを目的としている。 最先端のアプローチは、主に新しいデータを合成するために、敵対的な摂動やスタイルの強化といったデータ拡張に頼っている。 データ拡張の過程で、ソースと擬似ドメインのアライメントを明示的に考慮したemphStyDeStyを提案する。
  論文  参考訳（メタデータ） (2024-06-01T02:41:34Z)
• Domain Generalization with Adversarial Intensity Attack for Medical Image Segmentation [27.49427483473792]
  実世界のシナリオでは、トレーニング中に露出していない新しいドメインや異なるドメインのデータに遭遇することが一般的である。 ドメイン一般化(Domain Generalization, DG)は、モデルがこれまで見つからなかったドメインからのデータを扱うことを可能にする、有望な方向である。 本稿では,敵対的トレーニングを活用して無限のスタイルでトレーニングデータを生成する,AdverIN(Adversarial Intensity Attack)と呼ばれる新しいDG手法を提案する。
  論文  参考訳（メタデータ） (2023-04-05T19:40:51Z)
• When Neural Networks Fail to Generalize? A Model Sensitivity Perspective [82.36758565781153]
  ドメイン一般化 (Domain Generalization, DG) は、異なる分布の下で見えないドメインでうまく機能するようにモデルを訓練することを目的としている。 本稿では,より現実的で,より困難なシナリオである単一領域一般化(Single-DG)について考察する。 我々は「モデル感度」と命名する一般化と強く相関するモデルの性質を経験的に確認する。 本稿では、高感度の周波数をターゲットとした拡張画像を生成するために、スペクトル逆データ拡張(SADA)の新たな戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-01T20:15:15Z)
• Single-domain Generalization in Medical Image Segmentation via Test-time Adaptation from Shape Dictionary [64.5632303184502]
  ドメインの一般化は通常、モデル学習のために複数のソースドメインからのデータを必要とする。 本稿では,1つのソースドメインのみで最悪のシナリオ下でモデルを学習し,異なる未確認対象ドメインに直接一般化する,重要な単一ドメインの一般化問題について考察する。 本稿では,領域間で不変なセグメンテーションのセグメンテーション先情報を抽出し,統合する医用画像セグメンテーションにおいて,この問題に対処する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-06-29T08:46:27Z)
• Shape-aware Meta-learning for Generalizing Prostate MRI Segmentation to Unseen Domains [68.73614619875814]
  前立腺MRIのセグメント化におけるモデル一般化を改善するために,新しい形状認識メタラーニング手法を提案する。 実験結果から,本手法は未確認領域の6つの設定すべてにおいて,最先端の一般化手法を一貫して上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2020-07-04T07:56:02Z)
• Unsupervised Intra-domain Adaptation for Semantic Segmentation through Self-Supervision [73.76277367528657]
  畳み込みニューラルネットワークに基づくアプローチは、セマンティックセグメンテーションにおいて顕著な進歩を遂げた。 この制限に対処するために、グラフィックエンジンから生成された注釈付きデータを使用してセグメンテーションモデルをトレーニングする。 ドメイン間およびドメイン間ギャップを最小化する2段階の自己教師付きドメイン適応手法を提案する。
  論文  参考訳（メタデータ） (2020-04-16T15:24:11Z)

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。