論文の概要: Cross-dataset harmonization for robust endoscopic image analysis

• arxiv url: http://arxiv.org/abs/2610.06663v1
• Date: Mon, 05 Oct 2026 16:39:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 23:50:25.270459
• Title: Cross-dataset harmonization for robust endoscopic image analysis
• Title（参考訳）: 頑健な内視鏡画像解析のためのクロスデータセット調和法
• Abstract要約: 参照ベースの画像調和を実装し、内視鏡的データセット間のグローバルな外観の違いを減らす。 提案されたハーモニゼーションにより、データセット間のパフォーマンスは30.7%向上した。 その結果, 一般化ギャップのかなりの部分は, 再トレーニングを伴わずに緩和できる低レベルの外観変化によって駆動されることが示唆された。
• 参考スコア（独自算出の注目度）: 3.716965622352967
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A significant problem in endoscopic image analysis is that the machine learning (ML) models used for this purpose usually underperform when applied on images acquired from endoscopes that are different from those used to acquire the images of their training set. The main difference of the images originating from different endoscopes is their color distributions, which depend both on the image sensors and the light sources used. Although previous studies have highlighted this challenge, to the best of our knowledge it has not been previously explicitly tackled. This study focuses on this problem and proposes very simple but impactful method. It implements a reference-based image harmonization that reduces global appearance differences between endoscopic datasets. Specifically, it extracts global color statistics from a chosen reference dataset in the CIE-Lab color space and applies a statistical channel-wise transformation to map each target image toward the appearance of the images of the reference dataset. The method is evaluated in the context of polyp detection in both flexible colonoscopy and capsule endoscopy datasets using a dataset-level cross validation protocol. The results indicate that the proposed harmonization consistently improves cross-dataset performance up to 30.7%, outperforming relevant baseline and state-of-the-art methods. The results indicate that a substantial part of the generalization gap is driven by low-level appearance variation that can be mitigated without retraining.
• Abstract（参考訳）: 内視鏡画像解析における重要な問題は、この目的に使用される機械学習(ML)モデルが、通常、トレーニングセットの画像を取得するために使用されるものと異なる内視鏡から取得した画像に適用した場合、性能が低下することである。 異なる内視鏡から得られる画像の主な違いは、画像センサと使用する光源の両方に依存する色分布である。 これまでの研究では、この課題を強調していましたが、私たちの知る限りでは、これまでは明示的に取り組まなかったのです。 本研究は,この問題に焦点をあて,非常に単純だがインパクトのある手法を提案する。 参照ベースの画像調和を実装し、内視鏡的データセット間のグローバルな外観の違いを減らす。 具体的には、CIE-Lab色空間における選択された基準データセットからグローバルな色統計を抽出し、各目標画像を基準データセットの画像の出現に向けてマッピングするために統計的チャネルワイズ変換を適用する。 本手法は, フレキシブル大腸内視鏡およびカプセル内視鏡におけるポリプ検出の文脈において, データセットレベルのクロスバリデーションプロトコルを用いて評価した。 その結果,提案したハーモニゼーションはクロスデータセットの性能を最大30.7%向上させ,関連するベースラインや最先端手法よりも優れていた。 その結果, 一般化ギャップのかなりの部分は, 再トレーニングを伴わずに緩和できる低レベルの外観変化によって駆動されることが示唆された。

関連論文リスト

• Zero-shot Segmentation of Skin Conditions: Erythema with Edit-Friendly Inversion [0.27624021966289597]
  本研究は, 拡散モデルにおける編集フレンドリーな逆転を用いたエロテマ(皮膚の赤み)の検出のためのゼロショット画像分割フレームワークを提案する。 この方法は、生成的編集により、エリスマのない同一患者の参照画像を合成し、これらの参照を元の画像と正確に整合させる。
  論文  参考訳（メタデータ） (2025-08-02T12:00:35Z)
• Domain Generalization for Endoscopic Image Segmentation by Disentangling Style-Content Information and SuperPixel Consistency [1.4991956341367338]
  本稿では,インスタンス正規化とインスタンス選択白化(ISW)を用いて,ドメインの一般化を改善する手法を提案する。 本研究では,EndoUDA BarrettのEsophagusとEndoUDA polypsの2つのデータセットに対するアプローチを評価し,その性能を3つの最先端(SOTA)手法と比較した。
  論文  参考訳（メタデータ） (2024-09-19T04:10:04Z)
• Stain-invariant self supervised learning for histopathology image analysis [74.98663573628743]
  乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。 本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-11-14T18:16:36Z)
• GAN Inversion for Data Augmentation to Improve Colonoscopy Lesion Classification [3.0100246737240877]
  本研究では,GANインバージョンによって生成された合成大腸内視鏡像をトレーニングデータとして利用することにより,ディープラーニングモデルの病変分類性能を向上させることができることを示す。 このアプローチは、同じラベルを持つ一対のイメージを意味的にリッチで不整合な潜在空間に逆転させ、潜在表現を操作して、同じラベルを持つ新しい合成画像を生成する。 また,トレーニングデータセットにおける病変形状の多様性を高めるために,元のトレーニング画像間の補間により,現実的な合成病変画像を生成する。
  論文  参考訳（メタデータ） (2022-05-04T23:15:45Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• Robust Retinal Vessel Segmentation from a Data Augmentation Perspective [14.768009562830004]
  本稿では,チャネルワイドなガンマ補正とチャネルワイドなランダムな血管拡張という2つの新しいデータ拡張モジュールを提案する。 これら2つのモジュールを逐次適用することによって生成された追加のトレーニングサンプルによって、モデルはより不変かつ識別的な特徴を学ぶことができる。 実世界のデータセットと合成データセットの両方の実験結果から,従来の畳み込みニューラルネットワークアーキテクチャの性能と堅牢性の向上が実証された。
  論文  参考訳（メタデータ） (2020-07-31T07:37:14Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)
• Data Augmentation for Histopathological Images Based on Gaussian-Laplacian Pyramid Blending [59.91656519028334]
  データ不均衡は、機械学習(ML)アルゴリズムに影響を及ぼす主要な問題である。 本稿では、HIデータセットを増大させるだけでなく、患者間の変動を分散させる新しいアプローチを提案する。 BreakHisデータセットの実験結果から、文献で示されたDA手法の大多数は、有望な利得を示している。
  論文  参考訳（メタデータ） (2020-01-31T22:02:57Z)

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。