論文の概要: Combining General and Domain-Specific Pretext Tasks for Brain MR Image Segmentation

• arxiv url: http://arxiv.org/abs/2609.30708v1
• Date: Fri, 25 Sep 2026 02:36:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.188561
• Title: Combining General and Domain-Specific Pretext Tasks for Brain MR Image Segmentation
• Title（参考訳）: 脳MRI画像分割のための一般語とドメイン特化語との組み合わせ
• Abstract要約: 医用画像分析の主な課題は、特定の個体群や疾患に対する大きな注釈付きデータセットの不足である。 本研究では,ボクセルレベルの脳年齢予測をドメイン固有の自己教師型プレテキストタスクとして検討し,画像のインペイントと比較する。 本稿では,両目的を協調的に最適化し,相補的なニューロイメージング表現を学習するマルチタスク自己教師型事前学習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）: 0.40998481751763993
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A key challenge in medical image analysis is the scarcity of large annotated datasets for specific populations and diseases. As deep learning models rely heavily on labeled data, effective transfer learning strategies are needed to reduce the dependence on manual annotations. Self-supervised learning has emerged as a promising approach for developing foundation models by enabling the learning of transferable feature representations from large-scale unlabeled medical imaging datasets. In this study, we investigate voxel-level brain age prediction as a domain-specific self-supervised pretext task and compare it with image inpainting, a widely used non-domain-specific alternative. We further propose a multitask self-supervised pretraining framework that jointly optimizes both objectives to learn complementary neuroimaging representations. The pretrained models are evaluated on three downstream magnetic resonance image segmentation tasks: multiple sclerosis lesion segmentation, ischemic stroke lesion segmentation, and cortical brain structure segmentation. Overall, the proposed multitask pretraining framework consistently outperformed the single-task pretrained models and training from scratch across most experimental settings, demonstrating the benefit of combining domain-specific and general self-supervised learning pretext tasks for the development of generalizable neuroimaging foundation models.\ Code Availability: The source code used in this study is publicly available at https://github.com/TasneemN/Combining-General-and-Domain-Specific-Pretext-Tasks-for-Brain-MR-Image-S egmentation/
• Abstract（参考訳）: 医用画像解析における重要な課題は、特定の個体群や疾患に対する大きな注釈付きデータセットの不足である。 ディープラーニングモデルはラベル付きデータに大きく依存するため、手動アノテーションへの依存を減らすために効果的な転送学習戦略が必要である。 大規模未ラベルの医療画像データセットから伝達可能な特徴表現の学習を可能にすることによって,基礎モデル開発のための有望なアプローチとして,自己教師型学習が出現している。 本研究では,ボクセルレベルの脳年齢予測をドメイン固有の自己教師型プレテキストタスクとして検討し,それを画像インペインティングと比較する。 さらに,両目的を協調的に最適化し,相補的なニューロイメージング表現を学習するマルチタスク自己教師型事前学習フレームワークを提案する。 プレトレーニングされたモデルは、多発性硬化症病変のセグメンテーション、虚血性脳梗塞のセグメンテーション、皮質脳構造セグメンテーションの3つの下流磁気共鳴画像セグメンテーションタスクで評価される。 提案したマルチタスク事前学習フレームワークは、ほとんどの実験環境において、単一タスク事前学習モデルとスクラッチからのトレーニングを一貫して上回り、一般化可能なニューロイメージング基盤モデルを開発するために、ドメイン固有および汎用的な自己教師型学習前テキストタスクを組み合わせる利点を実証した。 コードアベイラビリティ: この研究で使用されたソースコードはhttps://github.com/TasneemN/Combining-General-and-Domain-Specific-Pretext-Tasks-for-Brain-MR-Image-S egmentation/で公開されている。

関連論文リスト

• Large-scale modality-invariant foundation models for brain MRI analysis: Application to lesion segmentation [0.4915052615294639]
  大規模ファンデーションモデル事前トレーニングは、神経イメージングタスクにおける数ショットのパフォーマンスを改善する解剖学の事前学習を可能にする。 ほとんどのSSLフレームワークは自然画像に適合しており、マルチモーダルMRI情報をキャプチャするための適応はいまだに未調査である。 本研究は, モダリティ不変な表現学習装置を提案し, 脳卒中とてんかん病変のセグメンテーションにおけるその有効性を評価する。
  論文  参考訳（メタデータ） (2025-11-14T13:56:07Z)
• 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)
• Multimodal Causal-Driven Representation Learning for Generalizable Medical Image Segmentation [56.52520416420957]
  医用画像セグメンテーションにおける領域一般化に取り組むために, MCDRL(Multimodal Causal-Driven Representation Learning)を提案する。 MCDRLは競合する手法より一貫して優れ、セグメンテーション精度が優れ、堅牢な一般化性を示す。
  論文  参考訳（メタデータ） (2025-08-07T03:41:41Z)
• PathSegDiff: Pathology Segmentation using Diffusion model representations [63.20694440934692]
  そこで我々は,Latent Diffusion Models (LDMs) を事前学習した特徴抽出器として活用する,病理組織像分割の新しい手法であるPathSegDiffを提案する。 本手法は,H&E染色組織像から多彩な意味情報を抽出するために,自己教師型エンコーダによって誘導される病理特異的LCMを用いる。 本実験は,BCSSおよびGlaSデータセットにおける従来の手法よりも大幅に改善されたことを示す。
  論文  参考訳（メタデータ） (2025-04-09T14:58:21Z)
• Self-Supervised Neuron Segmentation with Multi-Agent Reinforcement Learning [53.00683059396803]
  マスク画像モデル(MIM)は,マスク画像から元の情報を復元する簡便さと有効性から広く利用されている。 本稿では、強化学習(RL)を利用して最適な画像マスキング比とマスキング戦略を自動検索する決定に基づくMIMを提案する。 本手法は,ニューロン分節の課題において,代替自己監督法に対して有意な優位性を有する。
  論文  参考訳（メタデータ） (2023-10-06T10:40:46Z)
• Exploring Transfer Learning in Medical Image Segmentation using Vision-Language Models [0.8878802873945023]
  本研究では,視覚言語モデルから2次元医用画像への移行に関する最初の体系的研究を紹介する。 VLSMは画像のみのセグメンテーションモデルと比較して競合性能を示すが、全てのVLSMは言語プロンプトから追加情報を利用するわけではない。
  論文  参考訳（メタデータ） (2023-08-15T11:28:21Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• Generalizable multi-task, multi-domain deep segmentation of sparse pediatric imaging datasets via multi-scale contrastive regularization and multi-joint anatomical priors [0.41998444721319217]
  本稿では,複数のデータセットに対して単一セグメンテーションネットワークを最適化する,新しいマルチタスク・マルチドメイン学習フレームワークを提案する。 足関節, 膝関節, 肩関節の3つの軽度, 小児画像データセットを用いた骨分節術の成績について検討した。
  論文  参考訳（メタデータ） (2022-07-27T12:59:16Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• Medical Image Harmonization Using Deep Learning Based Canonical Mapping: Toward Robust and Generalizable Learning in Imaging [4.396671464565882]
  多様な取得条件のデータを共通参照領域に"調和"する新しいパラダイムを提案する。 我々は,MRIによる脳年齢予測と統合失調症の分類という,2つの問題に対して本手法を検証した。
  論文  参考訳（メタデータ） (2020-10-11T22:01:37Z)
• Realistic Adversarial Data Augmentation for MR Image Segmentation [17.951034264146138]
  医用画像セグメンテーションのためのニューラルネットワークのトレーニングのための逆データ拡張手法を提案する。 このモデルでは,MR画像における共通の種類のアーチファクトによって生じる強度不均一性,すなわちバイアス場をモデル化する。 このような手法により,モデルの一般化と堅牢性の向上が図られ,低データシナリオにおける大幅な改善が期待できる。
  論文  参考訳（メタデータ） (2020-06-23T20:43:18Z)

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。