論文の概要: CRISP: Constrained Refinement via Iterative Squeezing Process for Robust Medical Image Segmentation under Domain Shift

• arxiv url: http://arxiv.org/abs/2607.15231v1
• Date: Thu, 16 Jul 2026 17:32:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:33.196595
• Title: CRISP: Constrained Refinement via Iterative Squeezing Process for Robust Medical Image Segmentation under Domain Shift
• Title（参考訳）: CRISP:ドメインシフト下でのロバストな医用画像分割のための反復的スクイーズプロセスによる制約付きリファインメント
• Authors: Yizhou Fang, Pujin Cheng, Yixiang Liu, Xiaoying Tang, Longxi Zhou,
• Abstract要約: 正の領域のランク安定性」は、分布シフトの下で働く仮定である。 テスト時間パラメータの更新やターゲットドメインデータの更新を必要としないモデルに依存しないフレームワークであるCRISPを提案する。 CRISP は HD95 を最大 0.14 に減らして最先端の手法を著しく上回っている。
• 参考スコア（独自算出の注目度）: 7.9644155369405665
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Distribution shift in medical imaging remains a central bottleneck for the clinical translation of medical AI. Failure to address it can lead to severe performance degradation in unseen environments and exacerbate health inequities. Existing methods for domain adaptation are inherently limited by exhausting predefined possibilities through simulated shifts or pseudo-supervision. Such strategies struggle in the open-ended and unpredictable real world, where distribution shifts are effectively infinite. To address this challenge, we adopt the "Rank Stability of Positive Regions" as a working assumption under distribution shift, and use it to derive robust spatial hints for source-only segmentation. Guided by this assumption, we propose CRISP, a model-agnostic framework that, unlike deployment-time adaptation, requires no test-time parameter updates and no target-domain data--a target-free, plug-in refinement framework that segments with frozen weights. Rather than using ranking to directly output masks, CRISP exploits the stability of probability rankings under distribution shift to derive robust spatial priors. Via latent feature perturbation, perturbation-invariant high-grade regions define a high-precision (HP) core, while voxels that remain potentially foreground under at least one perturbation define a high-recall (HR) support; these dual priors are then recursively refined under perturbation. We then design an iterative training framework that progressively squeezes HP and HR toward the final segmentation. Extensive evaluations on multi-center cardiac MRI and CT-based lung vessel segmentation demonstrate CRISP's superior robustness, significantly outperforming state-of-the-art methods with striking HD95 reductions of up to 0.14 (7.0% improvement), 1.90 (13.1% improvement), and 8.39 (38.9% improvement) pixels across multi-center, demographic, and modality shifts, respectively.
• Abstract（参考訳）: 医用画像の分布変化は、医療用AIの臨床的翻訳における中心的なボトルネックである。 対処に失敗すると、目に見えない環境での大幅なパフォーマンス低下と、健康上の不平等が悪化する可能性がある。 既存のドメイン適応の方法は、シミュレートされたシフトや擬似スーパービジョンを通じて、事前に定義された可能性を使い果たすことによって本質的に制限される。 このような戦略は、分散シフトが事実上無限である、オープンで予測不可能な現実世界で苦戦する。 この課題に対処するために、分布シフトの下での作業仮定として「正の領域のランダム安定性」を導入し、ソースのみのセグメンテーションのための堅牢な空間的ヒントを導出する。 この仮定で導かれたCRISPは、デプロイ時適応とは異なり、テスト時パラメータ更新を必要とせず、ターゲットドメインデータも必要とせず、凍結重量で分割するターゲットフリーのプラグイン改良フレームワークである。 CRISPは、マスクを直接出力するためにランキングを使用するのではなく、分布シフトの下での確率ランクの安定性を利用して、頑健な空間的先行を導出する。 潜在的特徴摂動、摂動不変高次領域は、高精度(HP)コアを定義する一方、少なくとも1つの摂動の下で潜在的に前景に残るボクセルは、ハイリコール(HR)サポートを定義する。 次に,HPとHRを段階的に最終セグメンテーションに向けて圧縮する反復的なトレーニングフレームワークを設計する。 マルチセンター心MRIとCTをベースとした肺血管セグメンテーションの広範囲な評価は、CRISPの優れた堅牢性を示し、HD95を最大で0.14(7.0%改善)、1.90(13.1%改善)、8.39(38.9%改善)ピクセルを多センター、人口動態、モダリティシフトで達成した最先端の方法よりも優れていた。

関連論文リスト

• Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals [83.0127582612634]
  Near-boundary Rescue (NSR) は最小限のプラグ・アンド・プレイの修正であり、失った信号を回復するために、アウト・オブ・バウンドトークンを保持する。 NSRはトレーニングの安定性を大幅に改善し、DAPOやGSPOといった強力なベースライン上で一貫したゲインを提供する。
  論文  参考訳（メタデータ） (2026-05-21T16:45:31Z)
• D3Seg: Dependency-Aware Diffusion for Brain Tumor Segmentation with Missing Modalities [54.87947751720332]
  欠落モード設定下での安定した性能を維持するために,新しいセグメンテーションモデルD3Segを提案する。 提案モデルでは, 腫瘍造影法 (ET) で約1.5～2.0%, 腫瘍コア法 (TC) で約1.0%, 複数の欠損モードで約1.0%を達成している。
  論文  参考訳（メタデータ） (2026-05-21T09:55:42Z)
• MoASE++: Mixture of Activation Sparsity Experts with Domain-Adaptive On-policy Distillation for Continual Test Time Adaptation [65.068801413044]
  連続的なテスト時間適応は、非定常な未ラベルのターゲットストリームにソース予測モデルを適用する。 ドメインに依存しない構造をドメイン固有のテクスチャから切り離す。
  論文  参考訳（メタデータ） (2026-05-18T01:52:12Z)
• CRISP: Rank-Guided Iterative Squeezing for Robust Medical Image Segmentation under Domain Shift [7.9644155369405665]
  正のボクセルに対する予測確率の相対的なランクは、分布シフトの下で安定であることを示す「正の領域のランク安定性」を導入する。 次に、反復的なトレーニングフレームワークを設計し、HPとHRを段階的に最終セグメンテーションに絞る'。 CRISPは確率ではなくランクに基づいてセグメンテーションを行う最初のフレームワークである。
  論文  参考訳（メタデータ） (2026-04-07T04:05:36Z)
• Residual-SwinCA-Net: A Channel-Aware Integrated Residual CNN-Swin Transformer for Malignant Lesion Segmentation in BUSI [1.759752510445115]
  本研究では,新しいハイブリッド型Residual-SwinCA-Netセグメンテーションフレームワークを提案する。 グローバルな依存関係を学習するために、内部残留経路を使用してSwin Transformerブロックをカスタマイズする。 Residual-SwinCA-Netと既存のCNN/ViTs技術はBUSIデータセット上に実装されている。
  論文  参考訳（メタデータ） (2025-12-09T04:52:30Z)
• Cancer-Net PCa-MultiSeg: Multimodal Enhancement of Prostate Cancer Lesion Segmentation Using Synthetic Correlated Diffusion Imaging [55.62977326180104]
  前立腺癌病変の分節化に対する近年の深層学習アプローチは,限られた性能を達成している。 本稿では,標準拡散型プロトコルの拡張として,合成相関拡散イメージング(CDI$s$)について検討する。 以上の結果から,PCa病変セグメント化タスクの実践的ドロップイン強化として,CDI$s$に対する検証済み統合経路が確立された。
  論文  参考訳（メタデータ） (2025-11-11T04:16:12Z)
• An Uncertainty-guided Tiered Self-training Framework for Active Source-free Domain Adaptation in Prostate Segmentation [10.061310311839856]
  Source-free Domain Adaptation (SFDA)は、プライバシとセキュリティ上の問題に対処するために、深いセグメンテーションモデルを適用するための有望なテクニックである。 安定したドメイン適応を実現するための新しい不確実性誘導型自己学習(UGTST)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-03T08:13:16Z)
• Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
  医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。 本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• Differentiable Topology-Preserved Distance Transform for Pulmonary Airway Segmentation [34.22415353209505]
  気道セグメンテーションの性能を向上させるために, 位相保存距離変換(DTPDT)フレームワークを提案する。 The Topology-Preserved Surrogate (TPS) learning strategy was first proposed to balance the training progress within-class distribution。 The Convolutional Distance Transform (CDT) is designed to identify the breakage phenomenon with superior sensitivity and minimize the variation of the distance map between the prediction and ground-truth。
  論文  参考訳（メタデータ） (2022-09-17T15:47:01Z)
• Privacy Preserving Recalibration under Domain Shift [119.21243107946555]
  本稿では,差分プライバシー制約下での校正問題の性質を抽象化する枠組みを提案する。 また、新しいリカレーションアルゴリズム、精度温度スケーリングを設計し、プライベートデータセットの事前処理より優れています。
  論文  参考訳（メタデータ） (2020-08-21T18:43:37Z)

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。