論文の概要: FGML-DG: Feynman-Inspired Cognitive Science Paradigm for Cross-Domain Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2604.10524v1
• Date: Sun, 12 Apr 2026 08:32:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.07372
• Title: FGML-DG: Feynman-Inspired Cognitive Science Paradigm for Cross-Domain Medical Image Segmentation
• Title（参考訳）: FGML-DG:Feynman-Inspireed Cognitive Science Paradigm for Cross-Domain Medical Image Segmentation
• Authors: Yucheng Song, Chenxi Li, Haokang Ding, Zhining Liao, Zhifang Liao,
• Abstract要約: ドメイン一般化(DG)は、AI駆動型医療において依然として重要な課題である。 本稿では,医療画像領域の一般化セグメンテーションのための認知科学に基づくメタラーニングパラダイムを提案する。
• 参考スコア（独自算出の注目度）: 11.110381445769953
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In medical image segmentation across multiple modalities (e.g., MRI, CT, etc.) and heterogeneous data sources (e.g., different hospitals and devices), Domain Generalization (DG) remains a critical challenge in AI-driven healthcare. This challenge primarily arises from domain shifts, imaging variations, and patient diversity, which often lead to degraded model performance in unseen domains. To address these limitations, we identify key issues in existing methods, including insufficient simplification of complex style features, inadequate reuse of domain knowledge, and a lack of feedback-driven optimization. To tackle these problems, inspired by Feynman's learning techniques in educational psychology, this paper introduces a cognitive science-inspired meta-learning paradigm for medical image domain generalization segmentation. We propose, for the first time, a cognitive-inspired Feynman-Guided Meta-Learning framework for medical image domain generalization segmentation (FGML-DG), which mimics human cognitive learning processes to enhance model learning and knowledge transfer. Specifically, we first leverage the 'concept understanding' principle from Feynman's learning method to simplify complex features across domains into style information statistics, achieving precise style feature alignment. Second, we design a meta-style memory and recall method (MetaStyle) to emulate the human memory system's utilization of past knowledge. Finally, we incorporate a Feedback-Driven Re-Training strategy (FDRT), which mimics Feynman's emphasis on targeted relearning, enabling the model to dynamically adjust learning focus based on prediction errors. Experimental results demonstrate that our method outperforms other existing domain generalization approaches on two challenging medical image domain generalization tasks.
• Abstract（参考訳）: 複数のモダリティ(例えば、MRI、CTなど)と異種データソース(例えば、異なる病院、デバイス)にわたる医療画像のセグメンテーションにおいて、ドメイン一般化(DG)は、AI駆動型医療において重要な課題である。 この課題は、主にドメインシフト、画像のバリエーション、および患者の多様性から生じ、しばしば目に見えないドメインでモデルパフォーマンスが劣化する。 これらの制限に対処するため、複雑なスタイルの特徴の単純化不足、ドメイン知識の不十分な再利用、フィードバック駆動最適化の欠如など、既存の手法における重要な問題を特定します。 教育心理学におけるファインマンの学習技法に触発されたこれらの問題に対処するために,医療画像領域の一般化セグメンテーションのための認知科学に着想を得たメタラーニングパラダイムを提案する。 本稿では,FGML-DG(Fynman-Guided Meta-Learning framework for medical image domain generalization segmentation)を提案する。 具体的には、ファインマンの学習法から「概念理解」の原理を利用して、ドメイン間の複雑な特徴をスタイル情報統計に単純化し、正確なスタイル特徴の整合性を達成する。 第2に,人間の記憶システムによる過去の知識の活用をエミュレートするメタスタイルメモリ・リコール手法(MetaStyle)を設計する。 最後に、フィードバック駆動型再学習戦略(FDRT)を導入し、Feynman氏がターゲット再学習に重点を置いていることを模倣し、予測エラーに基づいて学習焦点を動的に調整できるようにする。 実験により,本手法は,2つの課題のある医用画像領域の一般化タスクにおいて,既存の領域の一般化手法よりも優れていることが示された。

関連論文リスト

• Multimodal Causal-Driven Representation Learning for Generalizable Medical Image Segmentation [56.52520416420957]
  医用画像セグメンテーションにおける領域一般化に取り組むために, MCDRL(Multimodal Causal-Driven Representation Learning)を提案する。 MCDRLは競合する手法より一貫して優れ、セグメンテーション精度が優れ、堅牢な一般化性を示す。
  論文  参考訳（メタデータ） (2025-08-07T03:41:41Z)
• Domain-Adversarial Anatomical Graph Networks for Cross-User Human Activity Recognition [0.0]
  人間活動認識(HAR)におけるユーザ間の多様性は、センサー配置、身体動態、行動パターンの違いにより、依然として重要な課題である。 本稿では、解剖学的相関知識を統一的なグラフニューラルネットワークアーキテクチャに統合するエッジ強化グラフベース逆数領域一般化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-08T02:30:55Z)
• MindFormer: Semantic Alignment of Multi-Subject fMRI for Brain Decoding [50.55024115943266]
  本稿では,MindFormer を用いたマルチオブジェクト fMRI 信号のセマンティックアライメント手法を提案する。 このモデルは、fMRIから画像生成のための安定拡散モデルや、fMRIからテキスト生成のための大規模言語モデル(LLM)の条件付けに使用できるfMRI条件付き特徴ベクトルを生成するように設計されている。 実験の結果,MindFormerは意味的に一貫した画像とテキストを異なる主題にわたって生成することがわかった。
  論文  参考訳（メタデータ） (2024-05-28T00:36:25Z)
• fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for Multi-Subject Brain Activity Decoding [54.17776744076334]
  本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。 我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。 コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
  論文  参考訳（メタデータ） (2023-11-01T07:24:22Z)
• Domain Generalization on Medical Imaging Classification using Episodic Training with Task Augmentation [62.49837463676111]
  本稿では,医用画像分類におけるタスク強化によるエピソードトレーニングの新たな手法を提案する。 実際の医療展開において、限られた数のソースドメインによって動機付けられ、ユニークなタスクレベルのオーバーフィッティングを検討します。
  論文  参考訳（メタデータ） (2021-06-13T03:56:59Z)
• Learning domain-agnostic visual representation for computational pathology using medically-irrelevant style transfer augmentation [4.538771844947821]
  STRAP(Style TRansfer Augmentation for histoPathology)は、芸術絵画からのランダムなスタイル移行に基づくデータ拡張の一形態である。 スタイル転送は、画像の低レベルのテクスチャ内容をランダムに選択された芸術絵画の非形式的なスタイルに置き換える。 STRAPが最先端のパフォーマンス、特にドメインシフトの存在につながることを実証する。
  論文  参考訳（メタデータ） (2021-02-02T18:50:16Z)
• Domain Shift in Computer Vision models for MRI data analysis: An Overview [64.69150970967524]
  機械学習とコンピュータビジョン手法は、医用画像解析において優れた性能を示している。 しかし、現在臨床応用はごくわずかである。 異なるソースや取得ドメインのデータへのモデルの不適切な転送性は、その理由の1つです。
  論文  参考訳（メタデータ） (2020-10-14T16:34:21Z)
• Medical Image Harmonization Using Deep Learning Based Canonical Mapping: Toward Robust and Generalizable Learning in Imaging [4.396671464565882]
  多様な取得条件のデータを共通参照領域に"調和"する新しいパラダイムを提案する。 我々は,MRIによる脳年齢予測と統合失調症の分類という,2つの問題に対して本手法を検証した。
  論文  参考訳（メタデータ） (2020-10-11T22:01:37Z)
• 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)

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。