論文の概要: CoDG-Net: Structure-Guided Style Diffusion and Collaborative Learning to Mitigate Catastrophic Forgetting in Medical Image Domain Generalization

• arxiv url: http://arxiv.org/abs/2610.05053v1
• Date: Sun, 04 Oct 2026 08:43:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-11 06:41:03.766319
• Title: CoDG-Net: Structure-Guided Style Diffusion and Collaborative Learning to Mitigate Catastrophic Forgetting in Medical Image Domain Generalization
• Title（参考訳）: CoDG-Net: 医用画像領域の一般化における破滅的予測を緩和する構造ガイド型拡散と協調学習
• Abstract要約: 医用画像分割のための領域一般化(DG)は非常に困難で重要な課題である。 既存の医療用DGメソッドは、カタストロフィック・フォーッティング(CF)の問題を大きく見落としている: textbfModel は、ドメイン間の堅牢性を追求しながら、ソースドメインの知識を維持する能力を犠牲にすることが多い。 これにより、すでにデプロイされた臨床シナリオで診断の安全性を直接脅かすことができる。
• 参考スコア（独自算出の注目度）: 11.145742531290493
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Domain Generalization (DG) for medical image segmentation is both highly challenging and critically important. However, existing medical DG methods largely overlook the issue of Catastrophic Forgetting (CF): \textbf{Models often sacrifice their ability to retain source-domain knowledge while pursuing cross-domain robustness.} This can directly threaten diagnostic safety in already-deployed clinical scenarios. To address this, we investigate data augmentation strategies and catastrophic forgetting for medical image DG segmentation. First, we propose a structure-guided style diffusion augmentation method. Constrained by anatomical structure consistency in the frequency domain, this method performs cross-domain diffusion on the amplitude spectrum, generating samples with more diverse and broader style coverage to better support domain generalization. Then, we design a collaborative learning network with a dual-branch interactive architecture (CoDG-Net), together with a novel learning bias-guided strategy that adaptively regulates knowledge transfer at both the layer level and the task level, thereby effectively mitigating catastrophic forgetting on the source domain. Experiments and ablation studies on single-source and multi-source medical DG benchmark datasets demonstrate that CoDG-Net not only outperforms existing state-of-the-art methods in target-domain segmentation performance, but also achieves a lower forgetting rate on the source-domain data. The code is available at: https://github.com/wangprocess/CoDG-Net.
• Abstract（参考訳）: 医用画像セグメンテーションのための領域一般化(DG)は、非常に困難であり、極めて重要である。 しかし、既存の医療用DGメソッドは、カタストロフィック・フォーッティング(CF: Catastrophic Forgetting)の問題をほとんど見落としている: \textbf{Modelsは、ドメイン間の堅牢性を追求しながら、ソースドメインの知識を維持する能力を犠牲にすることが多い。 既にデプロイされた臨床シナリオにおいて、診断の安全性を直接脅かすことができる。 そこで本研究では,医療画像DGセグメンテーションにおけるデータ拡張戦略と破滅的な忘れ方について検討する。 まず,構造誘導型拡散拡張法を提案する。 周波数領域における解剖学的構造整合性に制約され、スペクトルスペクトル上でクロスドメイン拡散を行い、より多種多様なスタイルのサンプルを生成し、ドメインの一般化を支援する。 そこで我々は,デュアルブランチ対話型アーキテクチャ(CoDG-Net)を用いた協調学習ネットワークを,階層レベルとタスクレベルの知識伝達を適応的に制御する新たな学習バイアス誘導戦略とともに設計し,ソースドメインにおける破滅的な忘れを効果的に軽減する。 単一ソースおよびマルチソースの医療用DGベンチマークデータセットの実験およびアブレーション研究により、CoDG-Netは、ターゲットドメインセグメンテーション性能において既存の最先端メソッドよりも優れているだけでなく、ソースドメインデータに対する低い忘れ率を達成することを示した。 コードはhttps://github.com/wangprocess/CoDG-Net.comで公開されている。

関連論文リスト

• 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)
• Prompt-driven Latent Domain Generalization for Medical Image Classification [23.914889221925552]
  ドメインラベルに依存しない医用画像分類のための新しい枠組みを提案する。 PLDGは教師なしのドメイン発見と迅速な学習で構成されている。 提案手法は従来のDGアルゴリズムと同等あるいはそれ以上の性能を達成できる。
  論文  参考訳（メタデータ） (2024-01-05T05:24:07Z)
• FSDA-DG: Improving Cross-Domain Generalizability of Medical Image Segmentation with Few Source Domain Annotations [10.362970759633543]
  医用画像セグメンテーションのクロスドメイン一般化性を改善するための新しい手法としてFSDA-DGを提案する。 FSDA-DGは、画像をグローバルな広域領域とセマンティクスに誘導されたローカルリージョンに分割し、データ分散の強化のために異なる拡張戦略を適用する。
  論文  参考訳（メタデータ） (2023-11-05T07:44:40Z)
• Source-Free Domain Adaptation for Medical Image Segmentation via Prototype-Anchored Feature Alignment and Contrastive Learning [57.43322536718131]
  医用画像セグメンテーションのための2段階のソースフリードメイン適応(SFDA)フレームワークを提案する。 プロトタイプアンコールされた特徴アライメントの段階では,まず,事前学習した画素ワイド分類器の重みを原プロトタイプとして利用する。 そこで,本研究では,目標となる特徴とクラスプロトタイプとの整合性を期待するコストを最小化し,双方向輸送を導入する。
  論文  参考訳（メタデータ） (2023-07-19T06:07:12Z)
• AADG: Automatic Augmentation for Domain Generalization on Retinal Image Segmentation [1.0452185327816181]
  AADG(Automated Augmentation for Domain Generalization)と呼ばれるデータ操作に基づくドメイン一般化手法を提案する。 我々のAADGフレームワークは、新しいドメインを生成するデータ拡張ポリシーを効果的にサンプリングすることができる。 提案するAADGは,最先端の一般化性能を示し,既存手法より優れている。
  論文  参考訳（メタデータ） (2022-07-27T02:26:01Z)
• Single-domain Generalization in Medical Image Segmentation via Test-time Adaptation from Shape Dictionary [64.5632303184502]
  ドメインの一般化は通常、モデル学習のために複数のソースドメインからのデータを必要とする。 本稿では,1つのソースドメインのみで最悪のシナリオ下でモデルを学習し,異なる未確認対象ドメインに直接一般化する,重要な単一ドメインの一般化問題について考察する。 本稿では,領域間で不変なセグメンテーションのセグメンテーション先情報を抽出し,統合する医用画像セグメンテーションにおいて,この問題に対処する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-06-29T08:46:27Z)
• HCDG: A Hierarchical Consistency Framework for Domain Generalization on Medical Image Segmentation [33.623948922908184]
  ドメイン一般化のための新しい階層的一貫性フレームワーク(HCDG)を提案する。 Extrinsic Consistencyでは、複数のソースドメインにまたがる知識を活用して、データレベルの一貫性を強制します。 Intrinsic Consistencyでは、デュアルタスクシナリオの下で同じインスタンスに対してタスクレベルの一貫性を実行します。
  論文  参考訳（メタデータ） (2021-09-13T07:07:23Z)
• 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)
• FedDG: Federated Domain Generalization on Medical Image Segmentation via Episodic Learning in Continuous Frequency Space [63.43592895652803]
  フェデレーションラーニングは、分散医療機関がプライバシ保護を備えた共有予測モデルを共同で学習することを可能にします。 臨床展開では、連合学習で訓練されたモデルは、連邦外の完全に見えない病院に適用された場合、パフォーマンス低下に苦しむ可能性がある。 そこで本研究では,この問題に対してELCFS(Episodic Learning in Continuous frequency Space)と呼ばれる新しいアプローチを提案する。 本手法の有効性は,2つの医用画像分割作業における最先端および深部アブレーション実験よりも優れていた。
  論文  参考訳（メタデータ） (2021-03-10T13:05:23Z)

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。