論文の概要: PSP: Harnessing Position and Shape Priors for Cross-Domain Few-Shot Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2606.28799v1
• Date: Sat, 27 Jun 2026 08:10:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.694351
• Title: PSP: Harnessing Position and Shape Priors for Cross-Domain Few-Shot Medical Image Segmentation
• Title（参考訳）: PSP : 医用医用画像分割術におけるハネシング位置と形状優先法
• Abstract要約: Few-Shot Medical Image (FSMIS) は、データ不足に対する強力な解決策を提供するが、様々な画像モダリティをまたいだ一般化に苦慮している。 この性能崩壊は、主に、ソース固有の強度分布に基づいて訓練されたモデルを誤解させるドメイン間の劇的なテクスチャの相違に起因する。 クロスドメインFSMISのための位置と形状の優先順位(PSP)を利用する新しいフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 12.86282390925016
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Few-Shot Medical Image Segmentation (FSMIS) offers a powerful solution to data scarcity but struggles to generalize across different imaging modalities. This performance collapse stems primarily from the drastic texture discrepancies between domains, which mislead models trained on source-specific intensity distributions. While existing methods attempt to align frequency or local texture features, they often fail to decouple semantic structure from domain-specific appearance. To address this, we identify a critical invariance: despite distinct imaging physics, the position and geometric shape of organs remain robustly consistent across modalities. Therefore, we propose a novel framework that harnesses Position and Shape Priors (PSP) for cross-domain FSMIS. Specifically, PSP first introduces a Position Coordinate Embedding (PCE) module to inject relative spatial coordinates for rapid organ localization. Subsequently, a Shape Prototype Modulation (SPM) module constructs domain-invariant structural prototypes via explicit shape priors, effectively filtering out texture noise. Furthermore, the Hybrid-Prototype Prediction (HPP) module adaptively calibrates the support prototype to the query feature distribution, mitigating feature misalignment. Extensive experiments on two public medical imaging datasets demonstrate that PSP significantly outperforms state-of-the-art methods.
• Abstract（参考訳）: Few-Shot Medical Image Segmentation (FSMIS)は、データ不足に対する強力な解決策を提供するが、さまざまな画像モダリティをまたいだ一般化に苦慮している。 この性能崩壊は、主に、ソース固有の強度分布に基づいて訓練されたモデルを誤解させるドメイン間の劇的なテクスチャの相違に起因する。 既存の手法は周波数や局所的なテクスチャの特徴を一致させようとするが、意味構造をドメイン固有の外観から切り離すのに失敗することが多い。 画像物理学の違いにもかかわらず、臓器の位置と幾何学的形状は様々に安定している。 そこで我々は,クロスドメインFSMISのための位置・形状優先(PSP)を利用した新しいフレームワークを提案する。 具体的には、PSPはまず、臓器の迅速な局在のための相対的な空間座標を注入するための位置座標埋め込み(PCE)モジュールを導入する。 その後、Shape Prototype Modulation (SPM)モジュールは、明示的な形状の前処理によってドメイン不変の構造的プロトタイプを構築し、テクスチャノイズを効果的に除去する。 さらに、Hybrid-Prototype Prediction (HPP)モジュールは、サポートプロトタイプをクエリ特徴分布に適応的に校正し、特徴の調整を緩和する。 2つの公開医療画像データセットに対する大規模な実験は、PSPが最先端の手法を大幅に上回っていることを示している。

関連論文リスト

• Bridging Vision Foundation Model Priors with CLIP for Spatial-aware Few-shot Anomaly Detection in Medical Images [48.646448077284276]
  本研究では,数発の医用異常検出を効果的に行うためのフレームワークであるSpatial-FADを提案する。 VFM空間先行とCLIPセマンティクスを組み合わせることで病変の局在を改善する。 本手法は,Diceスコアが11.4%,AUCが1.8%以上の平均改善を実現している。
  論文  参考訳（メタデータ） (2026-09-11T05:21:01Z)
• SymmAdapt: Symmetrical Flow Matching for Source-Free Domain Adaptation in Medical Image Segmentation [0.8717253904965373]
  ソースフリーなアン教師なしドメイン適応(SFUDA)は、センシティブなソースデータにアクセスすることなく、未ラベルのターゲットドメインに事前訓練されたモデルを適用する。 対称フローマッチングに基づく新しいSFUDAフレームワークを提案する。 腹部多臓器・心臓の分節,MRI->CTシフト,多部位前立腺分節について検討した。
  論文  参考訳（メタデータ） (2026-08-23T18:09:39Z)
• Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
  カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。 既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。 動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-25T09:57:46Z)
• Geometry-aware Prototype Learning for Cross-domain Few-shot Medical Image Segmentation [11.12183614587322]
  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。
  論文  参考訳（メタデータ） (2026-05-11T17:32:26Z)
• Particle Diffusion Matching: Random Walk Correspondence Search for the Alignment of Standard and Ultra-Widefield Fundus Images [47.944896477309555]
  標準ファンドス画像(SFI)とウルトラウェードフィールドファンドス画像(UWFI)のためのロバストアライメント手法を提案する。 本手法は粒子拡散マッチング (Particle Diffusion Matching, PDM) と呼ばれ, 拡散モデルにより誘導される反復ランダムウォーク対応探索 (RWCS) を通してアライメントを行う。 PDMは複数の網膜画像アライメントベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-04-11T08:09:53Z)
• PIVM: Diffusion-Based Prior-Integrated Variation Modeling for Anatomically Precise Abdominal CT Synthesis [6.978452372711662]
  解剖学的に正確なCT画像合成のための拡散法を提案する。 PIVMは、ノイズからフルイメージを生成する代わりに、臓器固有の強度に対するボクセルの強度変化を予測する。 これらの先行とラベルは拡散過程を共同でガイドし、空間的アライメントと現実的な臓器の境界を確実にする。
  論文  参考訳（メタデータ） (2026-03-23T22:56:48Z)
• 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)
• Concentrate on Weakness: Mining Hard Prototypes for Few-Shot Medical Image Segmentation [17.638595740284636]
  Few-Shot Medical Image (FSMIS) は、少数の注釈付き画像からセグメント化を行うモデルを訓練するために広く使われている。 我々は、明確なセグメンテーション境界に不可欠な、より弱い特徴にもっと注意を払うことを提案する。
  論文  参考訳（メタデータ） (2025-05-28T02:22:05Z)
• Exploiting Aggregation and Segregation of Representations for Domain Adaptive Human Pose Estimation [50.31351006532924]
  人間のポーズ推定(HPE)は最近、モーション分析、バーチャルリアリティー、ヘルスケア等に広く応用されているため、注目を集めている。 時間と労働集約的なアノテーションのために、ラベル付き現実世界のデータセットが不足している。 本稿では,ドメイン適応型人間のポーズ推定のための表現集約と分離を両立させる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-29T17:59:45Z)
• 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)
• Dynamic multi feature-class Gaussian process models [0.0]
  本研究では, 医用画像における形状, ポーズ, 強度特徴の自動学習のための統計的モデリング手法を提案する。 DMFC-GPM (DMFC-GPM) はガウス過程(GP)に基づくモデルであり、線形および非線形の変動を符号化する潜在空間を共有する。 モデル性能の結果は、この新しいモデリングパラダイムが堅牢で、正確で、アクセス可能であり、潜在的な応用があることを示唆している。
  論文  参考訳（メタデータ） (2021-12-08T15:12:47Z)
• 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。