論文の概要: A General-Purpose Dual-Path Interaction Framework for Multi-View Medical Image Segmentation: Alleviating Data Volume Dependency in Small-Sample Regimes

• arxiv url: http://arxiv.org/abs/2610.31065v1
• Date: Thu, 22 Oct 2026 10:43:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.324387
• Title: A General-Purpose Dual-Path Interaction Framework for Multi-View Medical Image Segmentation: Alleviating Data Volume Dependency in Small-Sample Regimes
• Title（参考訳）: マルチビュー医用画像セグメンテーションのための汎用デュアルパスインタラクションフレームワーク:小型レジームにおけるデータボリューム依存性の軽減
• Abstract要約: 医用画像セグメンテーションの性能は、大量の注釈付きデータに依存し、ほとんどのセグメンテーションモデルは、低サンプルサイズのシナリオで大幅なパフォーマンス低下を経験する。 任意のエンコーダ・デコーダ・セグメンテーション・ネットワークと互換性のある汎用的なプラグ・アンド・プレイ・デュアルパス・インタラクション・フレームワークDPIFを提案する。
• 参考スコア（独自算出の注目度）: 18.974660309998303
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The performance of medical image segmentation depends on a large amount of annotated data, and most segmentation models experience a significant drop in performance in low-sample-size scenarios. Existing semi-supervised and weakly supervised methods rely on specific network architectures, while traditional multi-view-assisted segmentation methods require strictly paired samples, which limits their clinical applications. To address these issues, we propose DPIF, a general-purpose plug-and-play dual-path interaction framework compatible with arbitrary encoder-decoder segmentation networks, which leverages cross-view anatomical complementarity to reduce annotation reliance. DPIF first performs Sinkhorn optimal transport-based cross-view distribution alignment to establish global semantic correspondence without sample-level pairing. It then adopts conditional mutual information-guided feature decoupling to enable bidirectional knowledge transfer only within the shared semantic space, suppressing view-specific noise. Finally, persistent homology-based topological regularization encodes anatomical invariants as unsupervised priors to mitigate overfitting. Experiments were conducted using 24 baseline models on a private multicenter echocardiography dataset and two public datasets. The results show that DPIF-enhanced models outperform single-view baseline models when trained on comparable amounts of data. Notably, most dual-path variants trained on 40\% - 60\% of the data achieve performance comparable to that of single-view models trained on the full dataset. This demonstrates that DPIF provides a general-purpose and scalable solution for data-scarce multi-view medical image segmentation problems.
• Abstract（参考訳）: 医用画像セグメンテーションの性能は、大量の注釈付きデータに依存し、ほとんどのセグメンテーションモデルは、低サンプルサイズのシナリオで大幅なパフォーマンス低下を経験する。 既存の半教師付きおよび弱教師付き手法は特定のネットワークアーキテクチャに依存しているが、従来のマルチビュー支援セグメンテーション手法では厳密なペア化が必要であり、臨床応用を制限している。 これらの問題に対処するため,任意のエンコーダ・デコーダ・セグメンテーション・ネットワークと互換性のある汎用的なプラグ・アンド・プレイ・デュアルパス・インタラクション・フレームワークであるDPIFを提案する。 DPIFは、まずシンクホーンの最適輸送に基づくクロスビュー分布アライメントを行い、サンプルレベルのペアリングなしで大域的意味対応を確立する。 次に、条件付き相互情報誘導機能デカップリングを採用し、共有セマンティック空間内でのみ双方向の知識伝達を可能にし、ビュー固有のノイズを抑制する。 最後に、永続的ホモロジーに基づくトポロジカル正規化は、解剖学的不変性を教師なしの先行としてエンコードしてオーバーフィッティングを緩和する。 プライベートマルチセンター心エコー図データセットと2つのパブリックデータセットを用いた24のベースラインモデルを用いて実験を行った。 その結果,DPIFにより強化されたモデルは,同等のデータ量でトレーニングされた場合,単一ビューベースラインモデルよりも優れていた。 特に、データの40～60%でトレーニングされたほとんどのデュアルパス変種は、完全なデータセットでトレーニングされたシングルビューモデルに匹敵するパフォーマンスを達成する。 このことは、DPIFがマルチビュー医療画像セグメント化問題に対して汎用的でスケーラブルなソリューションを提供することを示している。

関連論文リスト

• GenMed: A Pairwise Generative Reformulation of Medical Diagnostic Tasks [32.49998442428115]
  拡散モデルと再フレーム推論をテスト時間出力最適化問題として用いた共同分布を$P(X,Y)$でモデル化する。 私たちのフレームワークは、アーキテクチャの変更や再トレーニングなしに、予測時に柔軟な勾配ベースの条件付けを可能にします。 本研究は, 再利用可能なタスク非依存型医療AIシステムの基礎として, 生成的関節モデリングの汎用性を強調した。
  論文  参考訳（メタデータ） (2026-05-11T14:32:09Z)
• An Arbitrary-Modal Fusion Network for Volumetric Cranial Nerves Tract Segmentation [21.228897192093573]
  そこで我々は,CNTSeg-v2と呼ばれる,体積性頭蓋神経(CNs)の領域分割のための新しい任意モード核融合ネットワークを提案する。 我々のモデルは、他の補助モーダルから情報的特徴を効果的に抽出するために設計されたArbitrary-Modal Collaboration Module (ACM)を含んでいる。 我々のCNTSeg-v2は最先端のセグメンテーション性能を達成し、競合するすべての手法より優れています。
  論文  参考訳（メタデータ） (2025-05-05T06:00:41Z)
• Prompting Segment Anything Model with Domain-Adaptive Prototype for Generalizable Medical Image Segmentation [49.5901368256326]
  医用画像のセグメンテーションにおけるセグメンテーションモデル(DAPSAM)の微調整のための新しいドメイン適応型プロンプトフレームワークを提案する。 DAPSAMは,2つの医療画像分割タスクにおいて,異なるモダリティで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） (2024-09-19T07:28:33Z)
• 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)
• MSE-Nets: Multi-annotated Semi-supervised Ensemble Networks for Improving Segmentation of Medical Image with Ambiguous Boundaries [21.513613620213754]
  限られたマルチアノテートデータから医用画像のセグメンテーションを学習するためのマルチアノテート半教師付きアンサンブルネットワーク(MSE-Nets)を提案する。 本稿では,ネットワークペアワイズ・コンシスタンス・エンハンスメント(NPCE)モジュールとマルチネットワークPseudo Supervised(MNPS)モジュールを導入し,セグメンテーションタスクのためのMSE-Netsを強化する。 ISICデータセットの実験では、マルチアノテーションデータの需要を97.75%削減し、最高の完全に教師されたベースラインとのギャップをJaccardインデックスの4%に短縮した。
  論文  参考訳（メタデータ） (2023-11-17T08:14:24Z)
• Deep Incomplete Multi-view Clustering with Cross-view Partial Sample and Prototype Alignment [50.82982601256481]
  深層不完全なマルチビュークラスタリングのためのクロスビュー部分サンプルとプロトタイプアライメントネットワーク(CPSPAN)を提案する。 従来のコントラストベースの手法とは異なり、インスタンスとインスタンスの対応構築を導くために、ペア観測データアライメントを「プロキシ監視信号」として採用する。
  論文  参考訳（メタデータ） (2023-03-28T02:31:57Z)
• Multi-Task, Multi-Domain Deep Segmentation with Shared Representations and Contrastive Regularization for Sparse Pediatric Datasets [0.5249805590164902]
  マルチタスクおよびマルチドメイン学習フレームワークを用いて,解剖学の異なる部分から生じるセグメンテーションモデルをトレーニングすることを提案する。 提案するセグメンテーションネットワークは、共有畳み込みフィルタ、各データセット統計を計算するドメイン固有のバッチ正規化パラメータを含む。 骨分節に対する足関節および肩関節の2つの小児画像データセットについて検討した。
  論文  参考訳（メタデータ） (2021-05-21T12:26:05Z)
• Cross-Domain Segmentation with Adversarial Loss and Covariate Shift for Biomedical Imaging [2.1204495827342438]
  本論文は,異なるモダリティから異なるパターンと共有パターンをカプセル化することにより,ドメイン間データから堅牢な表現を学習できる新しいモデルの実現を目的とする。 正常な臨床試験で得られたCTおよびMRI肝データに対する試験は、提案したモデルが他のすべてのベースラインを大きなマージンで上回っていることを示している。
  論文  参考訳（メタデータ） (2020-06-08T07:35:55Z)
• Generative Partial Multi-View Clustering [133.36721417531734]
  本稿では,不完全なマルチビュー問題に対処するため,GP-MVCと呼ばれる生成的部分的マルチビュークラスタリングモデルを提案する。 まず、マルチビューエンコーダネットワークをトレーニングして、一般的な低次元表現を学習し、次にクラスタリング層を使用して複数のビューをまたいだ一貫したクラスタ構造をキャプチャする。 第2に、他のビューが与える共有表現に基づいて、1つのビュー条件の欠落データを生成するために、ビュー固有の生成敵ネットワークを開発する。
  論文  参考訳（メタデータ） (2020-03-29T17:48:27Z)

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。