論文の概要: A Target-Free Harmonization Method for MRI

• arxiv url: http://arxiv.org/abs/2605.01282v1
• Date: Sat, 02 May 2026 06:32:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.68141
• Title: A Target-Free Harmonization Method for MRI
• Title（参考訳）: MRIのターゲットフリー高調波化法
• Authors: Minjun Kim, Dong Ju Mun, Hwihun Jeong, Hangyeol Park, Haechang Lee, Se Young Chun, Jongho Lee,
• Abstract要約: スキャンパラメータ、シーケンス、ハードウェアのMRIのバリエーションは、同じ主題であっても、画像の外観に相違をもたらす可能性がある。 ドメインシフトとして知られるこれらの矛盾は、画像解析を妨げ、特定のターゲットドメインのデータに基づいてトレーニングされたディープラーニングモデルのパフォーマンスを低下させる。 MRI画像調和は、解剖学的構造などの生物学的情報を保持しながら、ソース領域イメージを対象領域イメージに整列させることにより、これらの問題に対処することを目的としている。
• 参考スコア（独自算出の注目度）: 23.533287150496957
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In MRI, variations in scan parameters, sequence, or hardware can lead to discrepancies in image appearance, even for the same subject. These inconsistencies, known as domain shifts, can hinder image analysis and degrade the performance of deep learning models trained on data from specific target domains. MRI image harmonization aims to address these issues by aligning source domain images to the target domain images while preserving biological information such as anatomical structures. However, most existing harmonization approaches require access to both source and target domain data in training or test time. This dependence induces data sharing between institutions, raising concerns about patient privacy and substantially limiting the harmonization approaches that can be practically deployed in clinical settings. To overcome these limitations, we introduce TgtFreeHarmony, the harmonization framework tailored for target-free scenarios, eliminating the need for target domain data and any data sharing, enabling privacy-preserving harmonization directly within the source institution. Our approach estimates the target domain style by searching the manifold of MRI domain style constructed via a disentanglement-based generator using Bayesian optimization guided by the performance of a downstream task model, which is trained on target domain data. We evaluated our method on the brain tissue segmentation task across multiple institutes and demonstrated that it effectively harmonizes source images into target images, leading to improved downstream task performance. By enabling harmonization without any access to target-domain data, TgtFreeHarmony establishes a new direction of harmonization preserving data privacy that can be realistically deployed within clinical environments.
• Abstract（参考訳）: MRIでは、スキャンパラメータ、シーケンス、ハードウェアのバリエーションは、同じ主題であっても、画像の外観に相違をもたらす可能性がある。 ドメインシフトとして知られるこれらの矛盾は、画像解析を妨げ、特定のターゲットドメインのデータに基づいてトレーニングされたディープラーニングモデルのパフォーマンスを低下させる。 MRI画像調和は、解剖学的構造などの生物学的情報を保持しながら、ソース領域イメージを対象領域イメージに整列させることにより、これらの問題に対処することを目的としている。 しかし、既存のハーモニゼーションアプローチのほとんどは、トレーニングやテスト時間において、ソースデータとターゲットドメインデータの両方にアクセスする必要がある。 この依存は、医療機関間でのデータ共有を誘導し、患者のプライバシーに対する懸念を高め、臨床現場に実際に展開できる調和アプローチを大幅に制限する。 これらの制限を克服するために、ターゲットのないシナリオに適した調和フレームワークであるTgtFreeHarmonyを導入し、ターゲットとなるドメインデータやデータ共有の必要性を排除し、ソース機関内で直接プライバシー保護の調和を可能にする。 提案手法は, 対象領域データに基づいて訓練された下流タスクモデルの性能によって導かれるベイズ最適化を用いて, 歪みベースジェネレータを用いて構築したMRI領域スタイルの多様体を探索することにより, 対象領域スタイルを推定する。 提案手法を複数施設にわたる脳組織分節タスクにおいて評価し,対象画像にソースイメージを効果的に調和させることにより,下流タスクのパフォーマンスが向上することが実証された。 TgtFreeHarmonyは、ターゲットドメインデータへのアクセスなしにハーモニゼーションを可能にすることで、臨床環境内に現実的にデプロイ可能なデータプライバシを保存するための、新たなハーモニゼーションの方向性を確立する。

関連論文リスト

• Fine-Tuning Cycle-GAN for Domain Adaptation of MRI Images [0.28675177318965045]
  本稿では,教師なし医療画像領域適応のためのサイクロンGANモデルを提案する。 本モデルでは,トレーニングデータをペア化せずに,ソースドメインとターゲットドメイン間の双方向マッピングを学習する。 MRIデータセットによるいくつかの実験では、ラベル付きデータ無しの双方向領域適応において、我々のモデルの有効性が示された。
  論文  参考訳（メタデータ） (2026-01-18T17:50:00Z)
• Contrastive Graph Modeling for Cross-Domain Few-Shot Medical Image Segmentation [58.41482540044918]
  クロスドメイン少ショット医療画像セグメンテーション(CD-FSMIS)は医療応用に有望でデータ効率のよいソリューションを提供する。 本稿では,医用画像の構造的整合性を利用したコントラストグラフモデリング(C-Graph)を提案する。
  論文  参考訳（メタデータ） (2025-12-25T14:00:17Z)
• Robust Source-Free Domain Adaptation for Medical Image Segmentation based on Curriculum Learning [54.514202147709625]
  ソースフリーなドメイン適応のためのカリキュラム(LFC)から学習するカリキュラムベースのフレームワークを提案する。 提案したソースフリー領域適応手法を,ファンドスセグメンテーションとポリプセグメンテーションのためのパブリッククロスドメインデータセット上で評価する。
  論文  参考訳（メタデータ） (2025-10-09T16:15:10Z)
• 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)
• Can Diffusion Models Bridge the Domain Gap in Cardiac MR Imaging? [2.0202525145391093]
  そこで本研究では,所定の基準に類似した人工心臓MR画像を生成するソースドメイン上で訓練された拡散モデルを提案する。 合成データは、空間的および構造的忠実性を維持し、ソースドメインと類似性を確保し、セグメンテーションマスクとの互換性を確保する。 ドメイン一般化、ドメイン不変セグメンテーションモデルは、合成ソースドメインデータに基づいて訓練され、ドメイン適応では、DMを用いてターゲットドメインデータをソースドメインへシフトする。
  論文  参考訳（メタデータ） (2025-08-08T13:57:48Z)
• Unsupervised Federated Domain Adaptation for Segmentation of MRI Images [20.206972068340843]
  我々は、複数のアノテーション付きソースドメインを用いた教師なしフェデレーションドメイン適応法を開発した。 提案手法により,アノテートされていないターゲットドメインにおいて,複数のアノテートされたソースドメインからの知識の伝達が可能となる。
  論文  参考訳（メタデータ） (2024-01-02T00:31:41Z)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• SFHarmony: Source Free Domain Adaptation for Distributed Neuroimaging Analysis [2.371982686172067]
  異なるMRIスキャナーは、異なる特徴を持つ画像を生成し、調和問題として知られる領域シフトをもたらす」。 本研究では、これらの障壁を克服するために、SFHarmony法(Unsupervised Source-Free Domain Adaptation, SFDA)を提案する。 我々の手法は、さまざまな現実的なデータシナリオにおいて、既存のSFDAアプローチよりも優れています。
  論文  参考訳（メタデータ） (2023-03-28T13:35:10Z)
• 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)
• 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)

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。