論文の概要: Decouple, Purify and Unite: Semantic-Structural Prototype Learning for Federated Medical Segmentation
- arxiv url: http://arxiv.org/abs/2610.04700v1
- Date: Sat, 03 Oct 2026 18:26:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-11 17:38:29.249833
- Title: Decouple, Purify and Unite: Semantic-Structural Prototype Learning for Federated Medical Segmentation
- Title（参考訳）: 統合医療セグメント化のための意味的・構造的プロトタイプ学習
- Abstract要約: フェデレートラーニング(Federated Learning)は、医療機関がデータを共有することなく、グローバルなモデルをトレーニングすることを可能にする。
既存の表現ベースのメソッドには2つの制限がある。
We propose FedBCS+, federated decoupled contextual alignment with style-purified aggregate。
- 参考スコア（独自算出の注目度）: 73.37038385412892
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Federated learning enables medical institutions to train a global model without sharing data, yet feature heterogeneity from diverse scanners or protocols remains challenging. Existing representation-based methods face two limitations: 1) Incomplete Contextual Representation Learning: single-layer or coupled representations overlook multi-level structural cues and entangle regional semantics with boundary details. 2) Layerwise Style and Aggregation Biases: domain-specific style discrepancies across intermediate layers degrade prototypes, while aggregation that overlooks client distribution shifts can further amplify bias. We propose FedBCS+, federated decoupled contextual alignment with style-purified aggregation. We employ Frequency-domain Style Recalibration (FSR) in prototype construction to decouple content-style representations and extract style-purified prototypes. Built upon these purified features, Decoupled Contextual Prototype Alignment (DCPA) explicitly decouples multi-level features into semantic and structural prototypes and aligns regional semantics and fine-grained anatomical structures separately. Style-purified Semantic Prototype Aggregation (S2PA) measures each client's purified prototype divergence from the global consensus and adaptively reweights aggregation toward under-represented clients to reduce consensus bias. On five heterogeneous medical segmentation benchmarks spanning histopathology, MRI, ultrasound, and colonoscopy, FedBCS+ achieves the highest mean Dice among the compared methods. A convergence analysis further characterizes how aggregation and alignment affect the optimization bound.
- Abstract（参考訳）: フェデレートラーニングにより、医療機関はデータを共有せずにグローバルモデルをトレーニングできるが、多様なスキャナーやプロトコルから異質性を特徴付けることは依然として困難である。
既存の表現ベースのメソッドには2つの制限がある。
1)不完全文脈表現学習:多段階の構造的手がかりと境界詳細との絡み合った地域意味論を見渡す単一層あるいは結合表現。
2) レイヤワイズ・スタイルとアグリゲーション・バイアス: 中間層にまたがるドメイン固有のスタイルの相違はプロトタイプを分解する一方、クライアントの分散シフトを見落としているアグリゲーションはバイアスをさらに増幅する。
We propose FedBCS+, federated decoupled contextual alignment with style-purified aggregate。
プロトタイプ構築には周波数領域スタイルの校正(FSR)を用いて,コンテンツスタイルの表現を分離し,スタイルを精製したプロトタイプを抽出する。
これらの浄化された特徴に基づいて、Decoupled Contextual Prototype Alignment (DCPA)は、多段階の機能を意味的および構造的プロトタイプに明示的に分離し、局所的な意味論と微粒な解剖学的構造を別々に調整する。
S2PA(Style-purified Semantic Prototype Aggregation)は、グローバルコンセンサスから各クライアントの精製されたプロトタイプのばらつきを測定し、未表現のクライアントに対してアグリゲーションを適応的に調整することで、コンセンサスバイアスを低減する。
病理組織学,MRI,超音波,大腸内視鏡にまたがる5つの異種医療セグメンテーション・ベンチマークにおいて,FedBCS+は比較手法の中で最も高いDiceを達成している。
収束解析は、アグリゲーションとアライメントが最適化境界にどのように影響するかをさらに特徴付ける。
関連論文リスト
- FFM-CP: Cross-Backbone Fusion of Vision-Language Foundation Models for Few-Shot Computational Pathology [4.671205676564538]
Few-shot Fusion Foundation Models of Computational Pathology (FFM-CP)は、複数の病理の視覚言語モデルを組み合わせたフレームワークである。
整列空間内では、統合グラフは、サポートイメージ機能と視覚的およびテキスト的クラスのプロトタイプを併用することで、バックボーン間での情報交換を可能にする。
FFM-CPは、54個の比較のうち50個の融合集合において、最強の個別適応部材よりも高い平均マクロF1を達成する。
論文 参考訳（メタデータ） (2026-09-23T11:28:09Z) - SPORT: Structure-Aware Prototype Disentanglement for Incomplete Multi-View Clustering [51.01038967474103]
プロトタイプベースの不完全なマルチビュークラスタリングは、不足ビュー計算のためのセマンティックアンカーとしてプロトタイプを活用することで注目を集めている。
構造対応PrOtotype disentanglement foR incomplete multi-view clusTering (Sport) と呼ばれる新しいフレームワークを提案する。
SPORTは、クラスタレベルのリレーショナル構造を保持しながら、プロトタイプの共有コンポーネントとビュー固有のコンポーネントを明示的に分離する。
論文 参考訳（メタデータ） (2026-07-11T17:40:22Z) - Disentangled Fine-Grained Prototype Learning for Incomplete Image-Tabular Classification [28.25868366778138]
DFPLは、きめ細かいプロトタイプ学習のための新しいフレームワークである。
SSPMはコンパクトで多種多様な共有およびモダリティ特異的なプロトタイプを抽出する。
PFAモジュールは、プロトタイプレベルの分散マッチングとプロトタイプからクラスへのセマンティックアライメントを共同で実施する。
論文 参考訳（メタデータ） (2026-06-03T21:24:05Z) - Prototype-Regularized Federated Learning for Cross-Domain Aspect Sentiment Triplet Extraction [16.84821204487277]
Aspect Sentiment Triplet extractは、文章からアスペクト項、意見項、感情極性のすべての感情三重項を抽出することを目的としている。
既存のメソッドは通常、個々のデータセットを個別にトレーニングし、ドメイン間で共有される共通の特徴表現を共同でキャプチャすることができない。
分散クライアントがモデルパラメータの代わりにクラスレベルのプロトタイプを交換できるように,プロトタイプベースのクロスドメインスパンプロトタイプ抽出(PCD-SpanProto)を提案する。
論文 参考訳（メタデータ） (2026-04-10T09:03:44Z) - Divide, Conquer and Unite: Hierarchical Style-Recalibrated Prototype Alignment for Federated Medical Image Segmentation [66.82598255715696]
フェデレートラーニング(Federated Learning)は、複数の医療機関がデータを共有することなく、グローバルなモデルをトレーニングすることを可能にする。
現在のアプローチは主に、重要なマルチレベルキューを見下ろす最終層機能に重点を置いている。
我々は,ドメイン不変のコンテキスト型プロトタイプアライメントを介して特徴表現ギャップをブリッジするFedBCSを提案する。
論文 参考訳（メタデータ） (2025-11-14T04:15:34Z) - DPL: Spatial-Conditioned Diffusion Prototype Enhancement for One-Shot Medical Segmentation [0.0]
1ショットの医用画像セグメンテーションは、注釈付きデータに制限があり、患者間で解剖学的変動があるため、プロトタイプ表現の基本的な課題に直面している。
従来のプロトタイプベースの手法は、サポート機能の決定論的平均化に依存しており、堅牢な一般化に不可欠なクラス内の多様性を捉えるのに失敗する脆い表現を生成する。
拡散に基づく特徴空間探索によってプロトタイプ構築を再構築する新しいフレームワークであるDiffusion Prototype Learningを紹介する。
論文 参考訳（メタデータ） (2025-10-14T05:28:58Z) - Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。
半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文 参考訳（メタデータ） (2023-12-26T12:56:31Z) - Rethinking Semi-Supervised Medical Image Segmentation: A
Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。
まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。
5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文 参考訳（メタデータ） (2023-02-03T13:50:25Z) - GSMFlow: Generation Shifts Mitigating Flow for Generalized Zero-Shot
Learning [55.79997930181418]
Generalized Zero-Shot Learningは、目に見えないクラスから見えないクラスに意味的な知識を移すことで、目に見えないクラスと見えないクラスの両方から画像を認識することを目的としている。
生成モデルの利点を生かして、見学したクラスから学んだ知識に基づいて、現実的な見知らぬサンプルを幻覚させることは、有望な解決策である。
本研究では,複数の条件付きアフィン結合層からなるフローベース生成フレームワークを提案する。
論文 参考訳（メタデータ） (2022-07-05T04:04:37Z)
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。