論文の概要: GDBA-Net: A Gated Dual-Branch Adaptation of SAM2 for Robust Cross-Domain Nuclei Segmentation

• arxiv url: http://arxiv.org/abs/2610.20073v1
• Date: Wed, 14 Oct 2026 12:12:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.135111
• Title: GDBA-Net: A Gated Dual-Branch Adaptation of SAM2 for Robust Cross-Domain Nuclei Segmentation
• Title（参考訳）: GDBA-Net:ロバストなクロスドメイン核セグメンテーションのためのSAM2のGated Dual-Branch Adaptation
• Abstract要約: 本稿では,パラメータ効率の高いセグメンテーションフレームワークであるGDBA-Netを紹介する。 GDBA-Netは、事前訓練されたセマンティック表現と明示的な周波数由来の構造的前駆体を統合することで、凍ったSAM2エンコーダに適応する。 GDBA-Netは最先端のインデータセット性能を実現し、一貫したクロスデータセットの一般化を実現している。
• 参考スコア（独自算出の注目度）: 6.8622758350689885
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate nuclei segmentation underpins quantitative computational pathology, yet remains challenging due to morphological variability, weak boundaries, nuclear crowding, and pronounced domain shifts arising from differences in tissue preparation, staining, and acquisition. While deep learning and recent foundation models have improved segmentation performance under matched distributions with the original training data, their generalization across heterogeneous histopathology domains remains limited. We introduce GDBA-Net, a parameter-efficient nuclei segmentation framework built around the proposed Gated Dual-Branch Adapter (GDBA). GDBA-Net adapts a frozen SAM2 encoder by integrating pretrained semantic representations with explicit frequency-derived structural priors. The complementary representations are independently transformed through Grid MLP branches and dynamically integrated using sample-adaptive channel-wise gating, selectively emphasizing structural cues relevant to nuclear delineation. Despite using only 4.3 million trainable parameters, GDBA-Net achieves state-of-the-art in-dataset performance and consistently superior cross-dataset generalization across six diverse nuclei segmentation benchmarks under fully supervised, cross-dataset, and five-shot adaptation protocols, outperforming competing CNN-, transformer-, and foundation model based methods. Comprehensive ablations confirm that these gains arise from the coordinated design of semantic-frequency complementarity and adaptive gating rather than increased model capacity. By uniting transferable semantic representations with explicit structural priors, GDBA-Net provides a robust, annotation-efficient solution to domain variability in nuclei segmentation. https://github.com/biplabpoudel25/GDBA_Net
• Abstract（参考訳）: 正確な核セグメンテーションは、定量的な計算病理を基盤としているが、組織形成、染色、獲得の違いに起因する形態的変動、弱い境界、核集団化、および顕著なドメインシフトにより、依然として困難なままである。 深層学習と最近の基礎モデルは、元のトレーニングデータと一致した分布下でのセグメンテーション性能を改善してきたが、そのヘテロジニアス組織学領域での一般化は依然として限られている。 GDBA-Netは,提案したGated Dual-Branch Adapter (GDBA) を中心に構築された,パラメータ効率のよい核セグメンテーションフレームワークである。 GDBA-Netは、事前訓練されたセマンティック表現と明示的な周波数由来の構造的前駆体を統合することで、凍ったSAM2エンコーダに適応する。 相補的表現はGrid MLPブランチを通じて独立に変換され、サンプル適応型チャネルワイド・ゲーティングを用いて動的に統合され、核のデライン化に関連する構造的手がかりを選択的に強調する。 トレーニング可能なパラメータはわずか430万であるにもかかわらず、GDBA-Netは最先端のデータセットのパフォーマンスと、完全な教師付き、クロスデータセット、および5ショット適応プロトコルの下での6つの異なる核セグメンテーションベンチマークにおける一貫して優れたクロスデータセットの一般化を実現し、競合するCNN、トランスフォーマー、ファンデーションモデルに基づく手法より優れている。 包括的改善は、モデル容量の増加よりも、意味周波数相補性と適応的ゲーティングの協調設計から得られるものであることを確認している。 GDBA-Netは、転送可能なセマンティック表現を明示的な構造的前提で統一することにより、核セグメンテーションにおけるドメインの可変性に対する堅牢でアノテーション効率の良いソリューションを提供する。 https://github.com/biplabpoudel25/GDBA_Net

関連論文リスト

• Cross-Domain Vessel Segmentation via Latent Similarity Mining and Iterative Co-Optimization [25.50657242704898]
  ドメイン間の潜伏血管類似性を生かした新しいドメイン転送フレームワークを提案する。 我々は,分割ネットワークと生成モデルが相互最適化を行う反復的改良戦略を開発する。 実験により, クロスドメイン網膜血管セグメンテーションの最先端性能が得られた。
  論文  参考訳（メタデータ） (2026-04-02T02:55:30Z)
• Benchmarking CNN-based Models against Transformer-based Models for Abdominal Multi-Organ Segmentation on the RATIC Dataset [3.428885759047836]
  腹部CT検査における多臓器分画は, 診断・治療に不可欠である。 トランスフォーマーベースのアーキテクチャは、長距離依存関係をモデル化する能力により、最近注目を集めている。 本研究では,UNETR,SwinUNETR,UNETR++の3つのハイブリッドトランスフォーマーベースモデルと,強力なCNNベースラインであるSegResNetを比較検討した。
  論文  参考訳（メタデータ） (2026-03-19T08:35:11Z)
• SPEGC: Continual Test-Time Adaptation via Semantic-Prompt-Enhanced Graph Clustering for Medical Image Segmentation [12.0982298854338]
  Continual Test-Time Adaptation (CTTA)は、トレーニング済みのモデルが、ラベルなしドメインの継続的な変更に適応できるようにすることを目的としている。 医用画像セグメンテーションのためのセマンティック・プロンプト拡張グラフクラスタリング(SPEGC)によるCTTAを提案する。
  論文  参考訳（メタデータ） (2026-03-12T03:22:43Z)
• 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)
• 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)
• Multi Task Consistency Guided Source-Free Test-Time Domain Adaptation Medical Image Segmentation [8.591386126583748]
  医用画像セグメンテーションのためのソースフリーテストタイム適応は、ターゲット領域の様々なテストセットへのセグメンテーションモデルの適応性を高めることを目的としている。 ターゲットエッジとペア入力の整合性の確保は、テスト時間適応に不可欠である。 ソースフリーなテスト時間領域適応医療画像セグメンテーション手法を提案する。
  論文  参考訳（メタデータ） (2023-10-18T07:49:24Z)
• Domain Adaptive Nuclei Instance Segmentation and Classification via Category-aware Feature Alignment and Pseudo-labelling [65.40672505658213]
  本稿では, UDA 核インスタンス分割と分類のための新しいディープニューラルネットワークである Category-Aware 機能アライメントと Pseudo-Labelling Network (CAPL-Net) を提案する。 我々のアプローチは、最先端のUDA手法よりも顕著なマージンで優れています。
  論文  参考訳（メタデータ） (2022-07-04T07:05:06Z)
• Real-Time Scene Text Detection with Differentiable Binarization and Adaptive Scale Fusion [62.269219152425556]
  セグメンテーションに基づくシーンテキスト検出手法はシーンテキスト検出分野において大きな注目を集めている。 本稿では,二項化処理をセグメンテーションネットワークに統合する分散二項化(DB)モジュールを提案する。 アダプティブ・スケール・フュージョン (ASF) モジュールは, 異なるスケールの特徴を適応的に融合させることにより, スケールのロバスト性を向上させる。
  論文  参考訳（メタデータ） (2022-02-21T15:30:14Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Towards Uncovering the Intrinsic Data Structures for Unsupervised Domain Adaptation using Structurally Regularized Deep Clustering [119.88565565454378]
  Unsupervised Domain Adapt (UDA) は、ターゲットドメイン上のラベルなしデータの予測を行う分類モデルを学ぶことである。 本稿では,対象データの正規化判別クラスタリングと生成クラスタリングを統合する構造的正規化深層クラスタリングのハイブリッドモデルを提案する。 提案するH-SRDCは, インダクティブ設定とトランスダクティブ設定の両方において, 既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2020-12-08T08:52:00Z)
• Bi-Directional Generation for Unsupervised Domain Adaptation [61.73001005378002]
  教師なしのドメイン適応は、確立されたソースドメイン情報に依存するラベルなしのターゲットドメインを促進する。 従来の手法では、潜在空間におけるドメインの不一致を強制的に低減することで、本質的なデータ構造が破壊される。 本稿では、2つの中間領域をブリッジソースとターゲットドメインに補間する一貫した分類器を用いた双方向生成ドメイン適応モデルを提案する。
  論文  参考訳（メタデータ） (2020-02-12T09:45:39Z)

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。