論文の概要: O2D-MedNet: An Optimization-Aware Dual-Domain Framework for Robust Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2610.35220v1
- Date: Mon, 26 Oct 2026 11:11:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.838591
- Title: O2D-MedNet: An Optimization-Aware Dual-Domain Framework for Robust Medical Image Segmentation
- Title（参考訳）: O2D-MedNet:ロバストな医用画像セグメンテーションのための最適化対応デュアルドメインフレームワーク
- Abstract要約: 医用画像セグメンテーション(MIS)のための新しい最適化対応デュアルドメインフレームワークを提案する。
まず、分解対応の二重ドメイン相互作用(DDI)モジュールは、分解に敏感な応答を抑制するために、フーリエとウェーブレットドメインの機能を統合する。
第2に、CNNに基づく局所詳細モデリングと視覚的状態空間に基づくグローバル構造モデリングの選択的相互作用を可能にするクロスバックボーン輪郭誘導核融合(CGF)モジュール。
第3に、勾配コンテキスト最適化(GCO)戦略は、損失傾向と統計に基づいて学習力学を適応的に調整することで、トレーニングを安定化させる。
- 参考スコア（独自算出の注目度）: 23.10884058848551
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Medical image segmentation (MIS) remains challenging due to composite degradations and multi-scale geometric variations, which jointly impair lesion-background separability, structural consistency, and optimization stability. Existing single-stream frameworks entangle heterogeneous cues within a single representation pathway, while hybrid-stream approaches often rely on generic or static fusion, limiting effective coordination across domains and failing to explicitly address optimization instability. To overcome these limitations, we propose a new optimization-aware dual-domain framework for MIS (O2D-MedNet). First, a degradation-aware dualdomain interaction (DDI) module integrates Fourier - and Wavelet-domain features to suppress degradation-sensitive responses while preserving structural and fine-detail information. Second, a cross-backbone contour-guided fusion (CGF) module enables selective interaction between CNN-based local detail modeling and visual state-space-based global structure modeling, improving boundary accuracy and representation consistency. Third, a gradient-context optimization (GCO) strategy stabilizes training by adaptively adjusting learning dynamics based on loss trends and gradient statistics, mitigating instability caused by class imbalance and heterogeneous sample difficulty. Extensive experiments on six benchmarks demonstrate consistent improvements over state-of-the-art MIS methods across multiple imaging modalities. Further analyses confirm enhanced sensitivity, structural consistency, and optimization stability, validating the effectiveness of the proposed O2D-MedNet for robust MIS under heterogeneous conditions.
- Abstract（参考訳）: 医用画像分割 (MIS) は, 複合劣化と多スケールの幾何学的変化により, 病変・裏面分離性, 構造的整合性, 安定性に障害があるため, 依然として困難である。
既存のシングルストリームフレームワークは、単一の表現経路内で異質なキューを絡み合わせる一方、ハイブリッドストリームアプローチは、しばしばジェネリックまたは静的な融合に依存し、ドメイン間の効果的な調整を制限し、最適化の不安定性に明示的に対処することができない。
これらの制限を克服するため、MIS(O2D-MedNet)のための新しい最適化対応デュアルドメインフレームワークを提案する。
まず、分解対応の二重ドメイン相互作用(DDI)モジュールがフーリエとウェーブレットドメインの機能を統合し、構造情報と細部情報を保持しながら劣化に敏感な応答を抑える。
第2に、CNNに基づく局所詳細モデリングと視覚的状態空間に基づくグローバル構造モデリングの選択的相互作用を可能にし、境界精度と表現整合性を改善したクロスバックボーン輪郭誘導核融合(CGF)モジュール。
第3に、勾配コンテキスト最適化(GCO)戦略は、損失傾向と勾配統計に基づいて学習力学を適応的に調整し、クラス不均衡と不均一なサンプル難易度に起因する不安定性を緩和することにより、トレーニングを安定化させる。
6つのベンチマークでの大規模な実験は、複数の画像モダリティにまたがる最先端MIS法に対する一貫した改善を示している。
さらに, 改良感度, 構造整合性, 最適化安定性を確認し, 不均一条件下でのロバストMISに対するO2D-MedNetの有効性を検証した。
関連論文リスト
- Silence and Noise: Resolving Suppression and Overvaluation in Multimodal Entity Alignment [18.621015338747508]
マルチモーダルエンティティアライメント(MMEA)は、ヘテロジニアス知識グラフ(KG)の統合の基礎である
既存のパラダイムは、不完全なモダリティやクロスグラフ構造的非対称性に批判的に弱いままである。
ALMEAは、低レベル特徴再構成と高レベル遅延空間アライメントの双方向フィードバックループを確立する、生成・校正フレームワークである。
論文 参考訳（メタデータ） (2026-10-12T03:14:36Z) - Improving Visual Representation Alignment Generation with GRPO [51.071351994330605]
拡散変換器は強い画像合成能力を示したが、弱いアライメントのため、列車には非効率である。
本稿では,REPAの静的アライメント損失を生成的表現ポリシー最適化の目的に置き換える,強化に基づく最適化戦略であるVRPOを提案する。
当社のVRPO駆動トレーニングは拡散トランスフォーマーにシームレスに統合され、無視可能なコストを導入し、SiTとDiTアーキテクチャとの完全な互換性を維持します。
論文 参考訳（メタデータ） (2026-05-30T07:21:40Z) - Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。
既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。
動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-25T09:57:46Z) - HGATSolver: A Heterogeneous Graph Attention Solver for Fluid-Structure Interaction [13.302003830989221]
流体-構造相互作用(FSI)システムは、異なる物理領域、流体と固体を含み、異なる偏微分方程式によって制御され、動的界面で結合される。
学習に基づく解法はコストのかかる数値シミュレーションに代わる有望な代替手段を提供するが、既存の手法は統合されたフレームワーク内でのFSIの不均一なダイナミクスを捉えるのに苦労している。
この課題は、インターフェイス結合によるドメイン間の応答の不整合と、流体と固体領域間の学習困難の相違によりさらに悪化し、予測中に不安定になる。
論文 参考訳（メタデータ） (2026-01-14T07:38:02Z) - Robust Variational Model Based Tailored UNet: Leveraging Edge Detector and Mean Curvature for Improved Image Segmentation [7.638424494500011]
本稿では,変分モデルに基づくUNet(VM_TUNet)の頑健なバージョンを提案する。
VM_TUNetは、変分メソッドとディープラーニングを統合するハイブリッドフレームワークである。
3つのベンチマークデータセットを用いた実験により,提案手法は性能と計算効率のバランスの取れたトレードオフを実現することが示された。
論文 参考訳（メタデータ） (2025-12-08T14:33:52Z) - Graph-Based Uncertainty Modeling and Multimodal Fusion for Salient Object Detection [12.743278093269325]
動的不確実性伝播とマルチモーダル協調推論ネットワーク(DUP-MCRNet)を提案する。
DUGCは空間意味距離に基づいて構築されたスパースグラフを通じて層間の不確実性を伝播するように設計されている。
MCFは学習可能なモダリティゲーティングウェイトを使用して、RGB、深さ、エッジの特徴の注意マップを重み付けする。
論文 参考訳（メタデータ） (2025-08-28T04:31:48Z) - DMAF-Net: An Effective Modality Rebalancing Framework for Incomplete Multi-Modal Medical Image Segmentation [7.441945494253697]
DMAF-Net(Dynamic Modality-Aware Fusion Network)と呼ばれる新しいモデルを提案する。
まず、欠落したモダリティ干渉を抑制するために、動的モダリティ・アウェア・フュージョン(DMAF)モジュールを導入する。
第二に、グローバルな特徴アライメントを強制するために、相乗的関係蒸留とプロトタイプ蒸留のフレームワークを設計する。
第3に、不均衡な損失率で最適化を安定化するための動的トレーニングモニタリング(DTM)戦略を提案する。
論文 参考訳（メタデータ） (2025-06-13T11:38:18Z) - InterLCM: Low-Quality Images as Intermediate States of Latent Consistency Models for Effective Blind Face Restoration [106.70903819362402]
拡散前駆体は、低画質画像の復元のために、復元データセットの微細調整拡散モデル(DM)によってブラインドフェイス復元(BFR)に使用されている。
我々は,その優れたセマンティック一貫性と効率のために潜在一貫性モデル(LCM)を活用するために,InterLCMを提案する。
InterLCMは、合成データセットと実世界のデータセットの両方において既存のアプローチより優れており、推論速度も高速である。
論文 参考訳（メタデータ） (2025-02-04T10:51:20Z) - Unleashing Network Potentials for Semantic Scene Completion [50.95486458217653]
本稿では,新しいSSCフレームワーク - Adrial Modality Modulation Network (AMMNet)を提案する。
AMMNetは、モダリティ間の勾配流の相互依存性を可能にするクロスモーダル変調と、動的勾配競争を利用するカスタマイズされた逆トレーニングスキームの2つのコアモジュールを導入している。
AMMNetは最先端のSSC法よりも大きなマージンで優れていた。
論文 参考訳（メタデータ） (2024-03-12T11:48:49Z)
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。