論文の概要: How Far Can INRs Go? Cross-Domain Parameter-efficient INR-Based Semantic Segmentation for Brain MRI

• arxiv url: http://arxiv.org/abs/2609.31573v1
• Date: Fri, 25 Sep 2026 17:35:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.524333
• Title: How Far Can INRs Go? Cross-Domain Parameter-efficient INR-Based Semantic Segmentation for Brain MRI
• Title（参考訳）: 脳MRIにおけるINRはどこまで進むか : クロスドメインパラメーター効率INRベースセマンティックセマンティックセマンティックセグメンテーション
• Abstract要約: Implicit Neural Representation (INR) はセマンティックセグメンテーションの軽量な代替手段として登場した。 本研究では,INRに基づくセグメンテーションの機構,スケーリング行動,および領域一般化能力について検討する。 階層型INRベースのアーキテクチャであるHierINRSegを導入し,ロバスト性の向上と一般化のために多層表現を集約する。
• 参考スコア（独自算出の注目度）: 52.95891661768058
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Biomedical image segmentation is central to medical image analysis, but practical deployment often faces limited annotations, memory constraints, and cross-site distribution shifts. Implicit Neural Representations (INRs) have recently emerged as a lightweight alternative for semantic segmentation, achieving competitive performance with substantially fewer parameters than conventional architectures. However, the mechanisms, scaling behavior, and domain generalization abilities of INR-based segmentation remain insufficiently understood. In this work, we study these questions in the context of cross-domain brain MRI segmentation. We analyze INR-based segmentation across low-parameter regimes, comparing it with conventional pipelines in both in-domain and out-of-domain settings. Surprisingly, we find that INR-based models do not simply improve with increasing parameter budget. Their advantage is most pronounced under low-parameter and limited-augmentation settings, while U-Net-based models benefit more from larger capacity and standard augmentation. We also investigate how INRs encode semantic information in their hidden features and show that complementary segmentation-relevant structure is distributed across multiple INR layers. Building on this insight, we introduce HierINRSeg, a hierarchical INR-based architecture that aggregates multi-layer representations for improved robustness and generalization. Extensive experiments show that HierINRSeg consistently outperforms MetaSeg, a strong recent INR-based segmentation baseline, with an average improvement of 5.6 percentage points in Dice for the in-domain test set and 8.2 percentage points out-of-domain. Overall, our analysis identifies the conditions under which INR-based segmentation is most effective, providing concrete guidance for model selection and future research.
• Abstract（参考訳）: バイオメディカルイメージセグメンテーションは、医用画像解析の中心であるが、実際的な展開はしばしば、限られたアノテーション、メモリ制約、およびクロスサイト分布シフトに直面している。 Inlicit Neural Representation (INR)は、最近、セマンティックセグメンテーションの軽量な代替品として登場し、従来のアーキテクチャに比べてかなり少ないパラメータで競合性能を実現している。 しかし、INRに基づくセグメンテーションのメカニズム、スケーリング挙動、および領域一般化能力は未だ十分に理解されていない。 本研究では、これらの疑問を、クロスドメイン脳MRIのセグメンテーションの文脈で研究する。 ドメイン内およびドメイン外の両方の設定における従来のパイプラインと比較し,INRに基づく低パラメータ状態のセグメンテーションを解析する。 驚くべきことに、INRベースのモデルはパラメータ予算の増大によって単に改善されない。 それらの利点は、低パラメータと限定的な拡張設定で最も顕著であるが、U-Netベースのモデルは、より大きなキャパシティと標準拡張の恩恵を受ける。 また,INRが隠れた特徴に意味情報をエンコードする方法について検討し,複数のINR層に相補的セグメンテーション関連構造が分散されていることを示す。 この知見に基づいて,階層型INRアーキテクチャであるHierINRSegを導入する。 大規模な実験により、HierINRSegは、最近の強力なINRベースのセグメンテーションベースラインであるMetaSegを一貫して上回り、ドメイン内テストセットではDiceで平均5.6ポイント、ドメイン外では8.2ポイント改善している。 全体として,INRに基づくセグメンテーションが最も効果的である条件を特定し,モデル選択と今後の研究のための具体的なガイダンスを提供する。

関連論文リスト

• Weight-Space Mixture-of-Experts for Implicit Neural Representation Classification [0.20625936401496228]
  Inlicit Neural Representation (INR)は、座標ベースのニューラルネットワークの重みとして信号を符号化する。 将来性はあるものの、INRパラメータの高次元と複雑な構造のため、重量空間における直接の分類は難しいままである。 本稿では,INR重み処理を行う階層型Mixture-of-Experts(HMoE)変換器を提案する。
  論文  参考訳（メタデータ） (2026-07-31T14:28:33Z)
• GCA-ResUNet: Medical Image Segmentation Using Grouped Coordinate Attention [3.6679095759171645]
  GCA-ResUNetは、軽量でプラグ&プレイのGrouped Coordinate Attention (GCA)モジュールを備えた効率的な医用画像セグメンテーションフレームワークである。 Synapse と ACDC の2つの広く使われているベンチマークによる大規模な実験では、それぞれ GCA-ResUNet が 86.11% と 92.64% のDice のスコアを達成している。
  論文  参考訳（メタデータ） (2025-12-30T05:13:20Z)
• 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)
• Learning KAN-based Implicit Neural Representations for Deformable Image Registration [0.8037525071177886]
  我々はKan-IDIRとRandKAN-IDIRを提案し、Kolmogorov-Arnold Networks(KAN)を暗黙のニューラル表現(INR)で変形可能な画像登録に初めて統合した。 提案したランダム化されたベースサンプリング戦略は,登録品質を維持しつつ,kanの必要なベース関数数を削減できる。 Kan-IDIRとRandKAN-IDIRは、すべての評価されたモダリティと解剖において、INRベースの手法の中で最高精度を達成した。
  論文  参考訳（メタデータ） (2025-09-26T19:37:46Z)
• Meta-INR: Efficient Encoding of Volumetric Data via Meta-Learning Implicit Neural Representation [4.782024723712711]
  Inlicit Neural representation (INR)は、ボリュームデータを符号化するための有望なソリューションとして登場した。 メタ学習アルゴリズムを用いて,データセットの部分的な観察から初期INRパラメータを学習するための事前学習戦略であるMeta-INRを提案する。 我々は,Meta-INRが,様々なデータセットにまたがる類似ボリュームデータをエンコードする上で有効な,高品質な一般化可能な特徴を効果的に抽出できることを実証した。
  論文  参考訳（メタデータ） (2025-02-12T21:54:22Z)
• Domain Generalization Guided by Gradient Signal to Noise Ratio of Parameters [69.24377241408851]
  ソースドメインへのオーバーフィッティングは、ディープニューラルネットワークの勾配に基づくトレーニングにおいて一般的な問題である。 本稿では,ネットワークパラメータの勾配-信号-雑音比(GSNR)を選択することを提案する。
  論文  参考訳（メタデータ） (2023-10-11T10:21:34Z)
• Modality-Agnostic Variational Compression of Implicit Neural Representations [96.35492043867104]
  Inlicit Neural Representation (INR) としてパラメータ化されたデータの関数的ビューに基づくモーダリティ非依存型ニューラル圧縮アルゴリズムを提案する。 潜時符号化と疎性の間のギャップを埋めて、ソフトゲーティング機構に非直線的にマッピングされたコンパクト潜時表現を得る。 このような潜在表現のデータセットを得た後、ニューラル圧縮を用いてモーダリティ非依存空間におけるレート/歪みトレードオフを直接最適化する。
  論文  参考訳（メタデータ） (2023-01-23T15:22:42Z)
• ROOD-MRI: Benchmarking the robustness of deep learning segmentation models to out-of-distribution and corrupted data in MRI [0.4839993770067469]
  ROOD-MRIは、ディープ人工知能ニューラルネットワークの堅牢性をMRIデータ、破損、アーティファクトにベンチマークするプラットフォームである。 いくつかの大規模研究において,海馬,心室,白質の超強度セグメンテーションに本手法を適用した。 データ拡張戦略は解剖学的セグメンテーションタスクのOODデータに対するロバスト性を大幅に向上させることができるが、最近のDNNでは、より困難な病変ベースのセグメンテーションタスクではロバスト性に欠ける。
  論文  参考訳（メタデータ） (2022-03-11T16:34:15Z)
• Self-Ensembling GAN for Cross-Domain Semantic Segmentation [107.27377745720243]
  本稿では,セマンティックセグメンテーションのためのクロスドメインデータを利用した自己理解型生成逆数ネットワーク(SE-GAN)を提案する。 SE-GANでは、教師ネットワークと学生ネットワークは、意味分節マップを生成するための自己組織化モデルを構成する。 その単純さにもかかわらず、SE-GANは敵の訓練性能を大幅に向上させ、モデルの安定性を高めることができる。
  論文  参考訳（メタデータ） (2021-12-15T09:50:25Z)
• Modeling from Features: a Mean-field Framework for Over-parameterized Deep Neural Networks [54.27962244835622]
  本稿では、オーバーパラメータ化ディープニューラルネットワーク(DNN)のための新しい平均場フレームワークを提案する。 このフレームワークでは、DNNは連続的な極限におけるその特徴に対する確率測度と関数によって表現される。 本稿では、標準DNNとResidual Network(Res-Net)アーキテクチャを通してフレームワークを説明する。
  論文  参考訳（メタデータ） (2020-07-03T01:37:16Z)

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。