論文の概要: Multi-Dataset Cross-Domain Knowledge Distillation for Unified Medical Image Segmentation, Classification, and Detection

• arxiv url: http://arxiv.org/abs/2605.01563v1
• Date: Sat, 02 May 2026 18:23:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.831848
• Title: Multi-Dataset Cross-Domain Knowledge Distillation for Unified Medical Image Segmentation, Classification, and Detection
• Title（参考訳）: 医用画像分割・分類・検出のためのマルチデータセットクロスドメイン知識蒸留法
• Authors: Ceausescu Ciprian-Mihai, Anghelina Ion-Marian, Alexe Dumitru-Bogdan,
• Abstract要約: セグメント化, 分類, オブジェクト検出タスクのパフォーマンスを向上させるために, クロスドメイン変換学習フレームワークを提案する。 提案手法では,多様な情報源からのドメイン不変表現を共同教師モデルで集約する,教師-学生パラダイムを用いている。 もともと医療画像のセグメンテーションのために開発されたこのフレームワークは、画像レベルの分類とオブジェクトレベルの検出をサポートするように拡張されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a unified cross-domain transfer learning framework that leverages knowledge from multiple heterogeneous medical imaging datasets to improve performance across segmentation, classification, and object detection tasks. Our approach employs a teacher-student paradigm in which a joint teacher model aggregates domain-invariant representations learned from diverse source datasets, while a task-specific student model is trained via multi-level knowledge distillation. Originally developed for medical image segmentation, the framework is extended to support image-level classification and object-level detection, enabling a general multi-task formulation for medical image analysis. We evaluate our method on a broad suite of datasets, including six segmentation benchmarks, BrainMetShare, ISLES, BraTS (MRI) and Lung MSD, LiTS, KiTS (CT), as well as multiple classification datasets for pulmonary disease and dementia, and detection datasets with native bounding-box annotations. Across all tasks and modalities, the proposed approach yields consistent improvements over strong dataset-specific and multi-head baselines, demonstrating enhanced robustness to distributional shifts and superior generalization. These findings highlight the potential of multi-dataset knowledge distillation as a scalable and task-agnostic approach for enhancing segmentation, classification, and object detection performance across heterogeneous medical imaging domains.
• Abstract（参考訳）: 複数の異種医療画像データセットからの知識を活用して、セグメンテーション、分類、オブジェクト検出タスクのパフォーマンスを向上させるクロスドメイン移行学習フレームワークを提案する。 提案手法では,多様なソースデータセットから学習したドメイン不変表現を共同教師モデルで集約し,マルチレベル知識蒸留を用いてタスク固有学生モデルを訓練する。 当初、医用画像のセグメンテーションのために開発されたこのフレームワークは、画像レベルの分類とオブジェクトレベルの検出をサポートし、医用画像解析のための一般的なマルチタスクの定式化を可能にする。 我々はBrainMetShare, ISLES, BraTS (MRI) とLung MSD, LiTS, KiTS (CT) の6つのセグメンテーションベンチマークと,肺疾患および認知症に対する分類データセット,およびネイティブ境界ボックスアノテーションを用いた検出データセットを含む,幅広いデータセットについて評価を行った。 全てのタスクとモダリティにおいて、提案手法は、強力なデータセット固有およびマルチヘッドベースラインよりも一貫した改善をもたらし、分散シフトに対する堅牢性と優れた一般化を示す。 これらの知見は、多種医療画像領域におけるセグメンテーション、分類、オブジェクト検出性能を高めるためのスケーラブルでタスクに依存しないアプローチとして、マルチデータセットの知識蒸留の可能性を強調した。

関連論文リスト

• PathSegDiff: Pathology Segmentation using Diffusion model representations [63.20694440934692]
  そこで我々は,Latent Diffusion Models (LDMs) を事前学習した特徴抽出器として活用する,病理組織像分割の新しい手法であるPathSegDiffを提案する。 本手法は,H&E染色組織像から多彩な意味情報を抽出するために,自己教師型エンコーダによって誘導される病理特異的LCMを用いる。 本実験は,BCSSおよびGlaSデータセットにおける従来の手法よりも大幅に改善されたことを示す。
  論文  参考訳（メタデータ） (2025-04-09T14:58:21Z)
• UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
  ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。 異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。 特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
  論文  参考訳（メタデータ） (2024-02-20T11:50:27Z)
• Explanations of Classifiers Enhance Medical Image Segmentation via End-to-end Pre-training [37.11542605885003]
  医用画像セグメンテーションは、ディープニューラルネットワークを用いて、胸部X線写真などの医用画像の異常な構造を特定し、発見することを目的としている。 我々の研究は、よく訓練された分類器から説明を集め、セグメンテーションタスクの擬似ラベルを生成する。 次に、インテグレート・グラディエント(IG)法を用いて、分類器から得られた説明を蒸留し、強化し、大規模診断指向のローカライゼーション・ラベル(DoLL)を生成する。 これらのDLLアノテーション付き画像は、新型コロナウイルス感染症、肺、心臓、鎖骨などの下流のセグメンテーションタスクのために、モデルを微調整する前に事前訓練するために使用される。
  論文  参考訳（メタデータ） (2024-01-16T16:18:42Z)
• A Knowledge Distillation framework for Multi-Organ Segmentation of Medaka Fish in Tomographic Image [5.881800919492064]
  メダカ魚のトモグラフィー画像における多臓器セグメンテーションのための自己学習フレームワークを提案する。 本研究では,事前訓練されたモデルから得られた擬似ラベルデータを利用して,擬似ラベルデータを洗練するために品質教師を採用する。 実験結果から,本手法は全データセット上で平均IoU(Intersection over Union)を5.9%改善することが示された。
  論文  参考訳（メタデータ） (2023-02-24T10:31:29Z)
• PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
  医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。 本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
  論文  参考訳（メタデータ） (2022-07-24T07:45:47Z)
• Generalized Multi-Task Learning from Substantially Unlabeled Multi-Source Medical Image Data [11.061381376559053]
  MultiMixは、病気の分類と解剖学的セグメンテーションを半教師付きで共同で学習する、新しいマルチタスク学習モデルである。 トレーニングセットにおける多ソースラベル付きデータの多量化実験により,MultiMixの有効性が確認された。
  論文  参考訳（メタデータ） (2021-10-25T18:09:19Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• Uncertainty-aware multi-view co-training for semi-supervised medical image segmentation and domain adaptation [35.33425093398756]
  ラベルのないデータは、注釈付きデータよりもはるかに簡単に取得できる。 医用画像セグメンテーションのための不確実性を考慮したマルチビュー協調トレーニングを提案する。 我々のフレームワークは、ラベルのないデータを効率的に活用してパフォーマンスを向上させることができる。
  論文  参考訳（メタデータ） (2020-06-28T22:04:54Z)
• An Inductive Transfer Learning Approach using Cycle-consistent Adversarial Domain Adaptation with Application to Brain Tumor Segmentation [1.9981375888949477]
  本研究では,Cycle-GANをベースとした非教師付きドメイン適応(UDA)を用いて,ソースドメインデータセットのアノテーションラベルを対象ドメインデータセットのタスクに適用するためのインダクティブトランスファーラーニング(ITL)アプローチを提案する。 その結果,脳腫瘍のセグメンテーション精度は有意に向上した。
  論文  参考訳（メタデータ） (2020-05-11T08:01:59Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)
• MS-Net: Multi-Site Network for Improving Prostate Segmentation with Heterogeneous MRI Data [75.73881040581767]
  本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。 当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2020-02-09T14:11:50Z)

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。