論文の概要: Orientation-Aware Unsupervised Domain Adaptation for Brain Tumor Classification Across Multi-Modal MRI

• arxiv url: http://arxiv.org/abs/2605.03490v1
• Date: Tue, 05 May 2026 08:29:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:43.835525
• Title: Orientation-Aware Unsupervised Domain Adaptation for Brain Tumor Classification Across Multi-Modal MRI
• Title（参考訳）: マルチモードMRIにおける脳腫瘍分類のためのオリエンテーション・アウェア非教師付きドメイン適応
• Authors: Sapna Sachan, Amulya Kumar Mahto, Prashant Wagambar Patil,
• Abstract要約: 自動脳腫瘍分類のための新規な指向性非教師付きドメイン適応フレームワークを提案する。 受容野が大きいCNNは、まず入力スライスを軸、矢状、およびコロナビューに分類する。 各向きについて、ResNet50バックボーンを4つの完全に接続された層で強化したCNNアーキテクチャをトレーニングし、腫瘍分類のための識別的特徴を抽出する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The clinical integration of deep learning models for brain tumor diagnosis in neuro-oncology is severely constrained by limited expert-annotated MRI data and substantial inter-institutional domain shift arising from variations in scanners, imaging protocols, and contrast settings. These challenges significantly impair model generalization in real-world settings. To address this, we propose a novel orientation-aware unsupervised domain-adaptive framework for automated brain tumor classification using mixed 2D MRI slices. Initially, a CNN with large receptive field first categorizes input slices into axial, sagittal, and coronal views. For each orientation, a CNN architecture with ResNet50 backbone augmented with four fully connected layers is trained to extract discriminative features for tumor classification. To mitigate annotation scarcity and domain discrepancies, we introduce a slice-wise unsupervised domain adaptation strategy that transfers knowledge from the multi-modal such as T1, T2, and FLAIR source domain to the post-contrast T1 target domain. Feature-level alignment is enforced using maximum mean discrepancy loss, complemented by pseudo-label guided adaptation to preserve class discriminability. Extensive experiments demonstrate improved target-domain performance over prior approaches, highlighting the benefits of orientation-specific learning, multi-modal knowledge transfer, pseudo-label-guided adaptation, and unsupervised domain adaptation.
• Abstract（参考訳）: 神経腫瘍学における脳腫瘍診断のための深層学習モデルの臨床的統合は、専門的な注釈付きMRIデータと、スキャナー、イメージングプロトコル、コントラスト設定のバリエーションから生じる施設間ドメインシフトによって厳しく制約されている。 これらの課題は、実環境におけるモデルの一般化を著しく損なう。 そこで本研究では,2次元MRIスライスを混合した脳腫瘍の自動分類のための,指向性を考慮した非教師付きドメイン適応フレームワークを提案する。 最初、大きな受容野を持つCNNは、まず入力スライスを軸、矢状、およびコロナビューに分類する。 各向きについて、ResNet50バックボーンを4つの完全に接続された層で強化したCNNアーキテクチャをトレーニングし、腫瘍分類のための識別的特徴を抽出する。 アノテーションの不足とドメインの不一致を軽減するため,T1,T2,FLAIRのソースドメインなどのマルチモーダルからの知識を,コントラスト後のT1ターゲットドメインに転送する,スライス的に教師なしなドメイン適応戦略を導入する。 特徴レベルアライメントは、クラス識別性を維持するために擬似ラベル誘導適応で補完される最大平均差分損失を用いて実施される。 大規模な実験では、事前アプローチよりも目標ドメインの性能が向上し、オリエンテーション固有の学習、マルチモーダルな知識伝達、擬似ラベル誘導適応、教師なしドメイン適応の利点が強調された。

関連論文リスト

• A Robust Unsupervised Domain Adaptation Framework for Medical Image Classification Using RKHS-MMD [0.9634859579172255]
  医療画像のラベル付けは医療画像の分野で大きなボトルネックとなっている。 本稿では、転送学習と再生カーネル空間に基づく最大平均離散性損失を組み合わせた教師なしドメイン適応フレームワークを提案する。 RKHS-MMDは、標準の最大平均差よりも、モダリティギャップの低減に優れた性能を示す。
  論文  参考訳（メタデータ） (2026-05-05T14:14:25Z)
• DoSReMC: Domain Shift Resilient Mammography Classification using Batch Normalization Adaptation [0.0]
  DoSReMCは、モデル全体をトレーニングすることなく、クロスドメインの一般化を強化するために設計されたバッチ正規化フレームワークである。 DoSReMCは、既存のAIパイプラインに簡単に組み込むことができ、様々な臨床環境に適用できる。
  論文  参考訳（メタデータ） (2025-08-21T11:17:54Z)
• Learning from Heterogeneous Structural MRI via Collaborative Domain Adaptation for Late-Life Depression Assessment [24.340328016766183]
  T1強調MRIを用いたLDD検出のための協調的ドメイン適応フレームワークを提案する。 このフレームワークは、ラベル付きソースデータに対する教師付きトレーニング、自己教師付きターゲット特徴適応、ラベルなしターゲットデータに対する協調トレーニングの3段階で構成されている。 マルチサイトT1強調MRIデータを用いて行った実験により、このフレームワークは最先端の非教師なし領域適応法より一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-07-30T01:38:32Z)
• Taxonomy Adaptive Cross-Domain Adaptation in Medical Imaging via Optimization Trajectory Distillation [73.83178465971552]
  自動医用画像解析の成功は、大規模かつ専門家による注釈付きトレーニングセットに依存する。 非教師なしドメイン適応(UDA)はラベル付きデータ収集の負担を軽減するための有望なアプローチである。 本稿では,2つの技術的課題に新しい視点から対処する統一的手法である最適化トラジェクトリ蒸留を提案する。
  論文  参考訳（メタデータ） (2023-07-27T08:58:05Z)
• Unsupervised Domain Adaptation with Semantic Consistency across Heterogeneous Modalities for MRI Prostate Lesion Segmentation [19.126306953075275]
  セマンティック一貫性を促進する2つの新しい損失関数を導入する。 特に,高度な拡散強調画像技術であるVERDICT-MRIの性能向上の課題に対処する。
  論文  参考訳（メタデータ） (2021-09-19T17:33:26Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• 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)
• Margin Preserving Self-paced Contrastive Learning Towards Domain Adaptation for Medical Image Segmentation [51.93711960601973]
  クロスモーダル医療画像セグメンテーションのための自己ペースコントラスト学習モデルを保存する新しいマージンを提案する。 プログレッシブに洗練されたセマンティックプロトタイプの指導により、埋め込み表現空間の識別性を高めるために、コントラスト損失を減少させる新しいマージンが提案される。 クロスモーダル心セグメンテーションタスクの実験は、MPSCLが意味セグメンテーション性能を大幅に改善することを示した。
  論文  参考訳（メタデータ） (2021-03-15T15:23:10Z)
• 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 Bidirectional Cross-Modality Adaptation via Deeply Synergistic Image and Feature Alignment for Medical Image Segmentation [73.84166499988443]
  我々は、Synergistic Image and Feature Alignment (SIFA)と名付けられた新しい教師なしドメイン適応フレームワークを提案する。 提案するSIFAは、画像と特徴の両方の観点から、ドメインの相乗的アライメントを行う。 2つの異なるタスクに対する実験結果から,SIFA法は未ラベル対象画像のセグメンテーション性能を向上させるのに有効であることが示された。
  論文  参考訳（メタデータ） (2020-02-06T13:49:47Z)

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。