Fugu-MT 論文翻訳(概要): Geometry-aware Prototype Learning for Cross-domain Few-shot Medical Image Segmentation

論文の概要: Geometry-aware Prototype Learning for Cross-domain Few-shot Medical Image Segmentation

arxiv url: http://arxiv.org/abs/2605.10885v1
Date: Mon, 11 May 2026 17:32:26 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-12 23:28:51.034957
Title: Geometry-aware Prototype Learning for Cross-domain Few-shot Medical Image Segmentation
Title（参考訳）: クロスドメイン・ファウショット医用画像セグメンテーションのための幾何認識型プロトタイプ学習
Authors: Feifan Song, Yuntian Bo, Haofeng Zhang,
Abstract要約: 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、新しい解剖学的カテゴリと見えない画像領域を同時に一般化するモデルを必要とする。既存の原型的アプローチは、必然的に解剖学的構造とドメイン固有の外観変化を絡み合わせる。幾何対応のCD-FSMISフレームワークであるGeoProtoを提案する。
参考スコア（独自算出の注目度）: 11.12183614587322
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Cross-domain few-shot medical image segmentation (CD-FSMIS) requires a model to generalise simultaneously to novel anatomical categories and unseen imaging domains from only a handful of annotated examples. Existing prototypical approaches inevitably entangle anatomical structure with domain-specific appearance variations, and thus lack a stable reference for reliable matching under domain shift. We observe that the geometric structure of human anatomy constitutes a reliable, domain-transferable prior that has been overlooked. Building on this insight, we propose GeoProto, a geometry-aware CD-FSMIS framework that enriches prototypical matching with explicit structural priors. The core component, Geometry-Aware Prototype Enrichment (GAPE), augments each local appearance prototype with a learned geometric offset encoding its ordinal position within the organ's interior topology. This offset is derived from an auxiliary Ordinal Shape Branch (OSB) trained under an ordinally consistent objective that enforces monotonic variation of geometric embeddings across interior strata, requiring no annotation beyond standard segmentation masks. Extensive experiments across seven datasets spanning three evaluation settings (cross-modality, cross-sequence, and cross-context) demonstrate that GeoProto achieves state-of-the-art performance.
Abstract（参考訳）: 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、新しい解剖学的カテゴリと少数の注釈付き例から見つからない画像領域を同時に一般化するモデルを必要とする。既存の原型的アプローチは、必然的に解剖学的構造をドメイン固有の外観変化と絡み合わせることができ、したがって、ドメインシフトの下で信頼できるマッチングのための安定した基準が欠如している。人間の解剖学の幾何学的構造は、見過ごされる前に、信頼性があり、ドメイン変換可能なものであることを観察する。この知見に基づいて,幾何対応のCD-FSMISフレームワークであるGeoProtoを提案する。コアコンポーネントであるGeometry-Aware Prototype Enrichment (GAPE)は、各局所的な外観のプロトタイプを、臓器の内部トポロジー内の順序位置を符号化する学習された幾何学的オフセットで拡張する。このオフセットは、標準セグメンテーションマスク以外のアノテーションを必要とせず、内部層にまたがる幾何学的埋め込みの単調な変動を強制する、通常の一貫した目的の下で訓練された補助順序形分岐(OSB)に由来する。 3つの評価設定(クロスモダリティ、クロスシーケンス、クロスコンテキスト)にまたがる7つのデータセットにわたる大規模な実験は、GeoProtoが最先端のパフォーマンスを達成することを示す。

関連論文リスト

Geometry-Guided Self-Supervision for Ultra-Fine-Grained Recognition with Limited Data [73.20753799870282]
本稿では,非常に類似した物体の内在的幾何学的特徴について検討する。 GAEor(Geometric Attribute Exploration Network)と呼ばれる,汎用的な自己管理型フレームワークを導入する。 GAEorは、新しい代替認識手段として幾何学的属性を生成する。
論文参考訳（メタデータ） (2026-04-21T11:27:33Z)
GeoReFormer: Geometry-Aware Refinement for Lane Segment Detection and Topology Reasoning [0.7769712273444055]
GeoReFormerは、幾何学とトポロジを意識した帰納バイアスをトランスフォーマーデコーダに直接埋め込むクエリベースのアーキテクチャである。 GeoReFormerは、OpenLane-V2ベンチマークで34.5%のmAPで最先端のパフォーマンスを達成した。
論文参考訳（メタデータ） (2026-03-27T02:26:12Z)
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)
AGENet: Adaptive Edge-aware Geodesic Distance Learning for Few-Shot Medical Image Segmentation [0.0]
AGENetはエッジ・アウェアな測地距離学習を通じて空間的関係を組み込む新しいフレームワークである。私たちの重要な洞察は、医療構造はプロトタイプの抽出をガイドできる予測可能な幾何学的パターンに従っているということです。本手法は,計算効率を維持しつつ,既存の手法と比較して境界誤差を低減する。
論文参考訳（メタデータ） (2025-11-11T09:56:35Z)
Geometry-Editable and Appearance-Preserving Object Compositon [67.98806888489385]
汎用オブジェクト合成(GOC)は、対象オブジェクトを望まれる幾何学的性質を持つ背景シーンにシームレスに統合することを目的としている。近年のアプローチは意味的埋め込みを導出し、それらを高度な拡散モデルに統合し、幾何学的に編集可能な生成を可能にする。本稿では,まずセマンティックな埋め込みを活用して,所望の幾何学的変換を暗黙的にキャプチャするDistangled Geometry-editable and Outearance-Preserving Diffusionモデルを提案する。
論文参考訳（メタデータ） (2025-05-27T09:05:28Z)
Teaching AI the Anatomy Behind the Scan: Addressing Anatomical Flaws in Medical Image Segmentation with Learnable Prior [34.54360931760496]
臓器の数、形状、相対的な位置などの重要な解剖学的特徴は、堅牢な多臓器分割モデルの構築に不可欠である。我々は Anatomy-Informed Network (AIC-Net) と呼ばれる新しいアーキテクチャを導入する。 AIC-Netは、患者固有の解剖学に適応できる「解剖学的事前」と呼ばれる学習可能な入力を組み込んでいる。
論文参考訳（メタデータ） (2024-03-27T10:46:24Z)
SMC-UDA: Structure-Modal Constraint for Unsupervised Cross-Domain Renal Segmentation [100.86339246424541]
本稿では、識別パラダイムに基づく新しい構造モード制約(SMC) UDA フレームワークを提案し、ドメイン間のブリッジとしてエッジ構造を導入する。構造に制約のある自己学習とプログレッシブROIでは,エッジの3次元空間構造を見極めることで腎臓を分節する。実験の結果,提案するSMC-UDAの一般化は良好であり,生成的UDA法よりも優れていた。
論文参考訳（メタデータ） (2023-06-14T02:57:23Z)
A Learning-based Framework for Topology-Preserving Segmentation using Quasiconformal Mappings [3.4798343542796593]
画像中の物体を位相特性を維持しながら抽出できる変形モデルを提案する。このネットワークは、限られたデータでトレーニングされた場合でも、テンプレートマスクと同じトポロジを持つセグメンテーションマスクを生成する。
論文参考訳（メタデータ） (2022-10-07T03:13:35Z)
Contrastive Semi-supervised Learning for Domain Adaptive Segmentation Across Similar Anatomical Structures [21.54339967787734]
クロス解剖領域適応のためのコントラスト半教師付き学習を提案する。モデルを適用して、類似した構造をターゲットドメインに分割する。ターゲットドメインで限定的なアノテーションのみを必要とする。
論文参考訳（メタデータ） (2022-08-18T02:54:04Z)
Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文参考訳（メタデータ） (2022-04-19T10:41:09Z)
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。