論文の概要: On the Role of MRI Sequences in Cross-Dataset Generalization for Brain Tumor Segmentation

• arxiv url: http://arxiv.org/abs/2608.29944v1
• Date: Sun, 30 Aug 2026 18:17:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.127275
• Title: On the Role of MRI Sequences in Cross-Dataset Generalization for Brain Tumor Segmentation
• Title（参考訳）: 脳腫瘍分節のクロスデータセット一般化におけるMRI系列の役割について
• Abstract要約: 本研究では、2つのよく知られたデータセットにおける個々のMRIシーケンスがモデルロバスト性に与える影響を系統的に評価する。 ResUNetベースのフレームワークを使用して、各モダリティを独立してトレーニングし、その効果を分離する。 その結果、T2f/FLAIRシーケンスは、Diceスコアが75%を超え、最高のクロスデータセット性能を達成することがわかった。
• 参考スコア（独自算出の注目度）: 0.6303112417588329
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Brain tumor segmentation in magnetic resonance imaging (MRI) is a critical task for diagnosis and treatment planning. Despite the success of deep learning architectures such as U-Net and its variants, performance degradation across datasets remains a major challenge, particularly under domain shift and limited annotated data. To address this issue, this study systematically evaluates how individual MRI sequences influence model robustness across two well-known datasets. A ResUNet-based framework is employed, where each modality is trained independently to isolate its effect under a controlled cross-dataset evaluation protocol with tumor size stratification, without target-domain training, or with limited domain adaptation. Results show that the T2f/FLAIR sequence achieves the best cross-dataset performance, with Dice scores exceeding 75%. It consistently outperforms other modalities across most tumor size ranges, while multi-sequence training further improves performance. Additionally, even limited target-domain adaptation yields rapid initial gains, reducing the need for extensive annotations and costly retraining. Our source code is publicly available at https://github.com/henrique-zan/brain_tumor_segmentation/.
• Abstract（参考訳）: MRIにおける脳腫瘍のセグメンテーションは診断と治療計画にとって重要な課題である。 U-Netやその変種のようなディープラーニングアーキテクチャの成功にもかかわらず、データセット間のパフォーマンス劣化は、特にドメインシフトと限定アノテーション付きデータの下では大きな課題である。 この問題に対処するために,2つのよく知られたデータセット間で,個々のMRIシーケンスがモデルロバスト性に与える影響を系統的に評価した。 ResUNetベースのフレームワークは、各モダリティを独立して訓練し、ターゲットドメインのトレーニングやドメイン適応の制限なしに、腫瘍の大きさの階層化を伴う制御されたデータセット評価プロトコルでその効果を分離する。 その結果、T2f/FLAIRシーケンスは、Diceスコアが75%を超え、最高のクロスデータセット性能を達成することがわかった。 多くの腫瘍サイズの範囲で他のモダリティを一貫して上回り、マルチシーケンストレーニングはパフォーマンスをさらに向上させる。 さらに、限定的なターゲットドメイン適応さえも、迅速な初期ゲインをもたらし、広範なアノテーションの必要性を減らし、コストのかかる再トレーニングを行う。 ソースコードはhttps://github.com/henrique-zan/brain_tumor_segmentation/で公開されています。

関連論文リスト

• 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)
• One Sequence to Segment Them All: Efficient Data Augmentation for CT and MRI Cross-Domain 3D Spine Segmentation [14.430939194449229]
  深層学習に基づく医療画像セグメンテーションは、臨床診断を支援し、新しい治療戦略を開発するためにますます利用されている。 しかし、高品質な注釈付きデータの不足や画像プロトコル間の一般化が不十分なため、モデル性能は依然として制限されている。 この制限はMRIやCTでは特に顕著であり、モデルは通常1回の取得シーケンスでトレーニングされる。
  論文  参考訳（メタデータ） (2026-05-04T19:26:29Z)
• Automated Lesion Segmentation of Stroke MRI Using nnU-Net: A Comprehensive External Validation Across Acute and Chronic Lesions [0.0]
  複数のMRIデータセットにまたがるnU-Netフレームワークを用いて脳卒中病変のセグメンテーションを評価する。 脳卒中期にはモデルが頑健な一般化を示し, セグメンテーション精度はレータ間信頼性に近づいた。 急性期において、DWIで訓練されたモデルはFLAIRベースのモデルより一貫して優れており、マルチモーダルの組み合わせからわずかに利益を得ただけだった。 慢性期脳卒中では、トレーニングセットのサイズが増加し、数百件以上のリターンが低下した。
  論文  参考訳（メタデータ） (2026-01-13T16:29:20Z)
• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• MedSeqFT: Sequential Fine-tuning Foundation Models for 3D Medical Image Segmentation [55.37355146924576]
  MedSeqFTは、医用画像解析のためのシーケンシャルな微調整フレームワークである。 事前訓練されたモデルを新しいタスクに適応させ、表現能力を改善する。 最先端の微調整戦略を一貫して上回ります。
  論文  参考訳（メタデータ） (2025-09-07T15:22:53Z)
• FedGIN: Federated Learning with Dynamic Global Intensity Non-linear Augmentation for Organ Segmentation using Multi-modal Images [0.0]
  医用画像のセグメンテーションは、AIによる診断、手術計画、治療監視において重要な役割を果たす。 患者データを共有することなくマルチモーダル臓器分割を可能にするフェデレートラーニングフレームワークであるFedGINを提案する。
  論文  参考訳（メタデータ） (2025-08-07T08:16:35Z)
• Hypergraph Tversky-Aware Domain Incremental Learning for Brain Tumor Segmentation with Missing Modalities [9.429176881328274]
  臨床実践では、MRI 取得の逐次的な性質のため、MRI のモダリティが欠落している場合もある。 Replay-based Hypergraph Domain Incremental Learning (ReHyDIL) を提案する。
  論文  参考訳（メタデータ） (2025-05-22T15:49:25Z)
• Multi-encoder nnU-Net outperforms transformer models with self-supervised pretraining [0.0]
  本研究は, 医用画像の解剖学的構造と病理的領域の自動同定と記述を含む, 医用画像セグメンテーションの課題に対処するものである。 本稿では,複数のMRIモダリティを別個のエンコーダで独立に処理するために設計された,自己教師型学習用マルチエンコーダnnU-Netアーキテクチャを提案する。 我々のマルチエンコーダnnU-Netは、Vanilla nnU-Net、SegResNet、Swin UNETRといった他のモデルを上回る93.72%のDice similarity Coefficient(DSC)を達成し、例外的な性能を示す。
  論文  参考訳（メタデータ） (2025-04-04T14:31:06Z)
• Source-Free Collaborative Domain Adaptation via Multi-Perspective Feature Enrichment for Functional MRI Analysis [55.03872260158717]
  安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。 ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。 しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。 我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
  論文  参考訳（メタデータ） (2023-08-24T01:30:18Z)
• 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)
• 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。