Gradient-Map-Guided Adaptive Domain Generalization for Cross Modality MRI Segmentation

要約

クロスモーダル MRI セグメンテーションは、コンピュータ支援医療診断にとって非常に価値があり、柔軟なデータ収集とモデルの一般化を可能にします。
しかし、既存の手法のほとんどはドメインシフトにおける局所的な変動を処理することが難しく、通常、トレーニングに大量のデータを必要とするため、実際の使用が妨げられています。
これらの問題に対処するために、我々は、画像勾配マップに基づく学習不要のクロスドメイン表現と、ローカルドメインシフトを軽減するためのクラス事前情報に基づいたテスト時間適応戦略を統合する、新しい適応ドメイン一般化フレームワークを提案します。
6 つのクロスモーダル セグメンテーション タスクを使用して、2 つのマルチモーダル MRI データセットに対するアプローチを検証します。
すべてのタスク設定にわたって、私たちの手法は一貫して競合するアプローチを上回り、トレーニング データが限られている場合でも安定したパフォーマンスを示します。

要約(オリジナル)

Cross-modal MRI segmentation is of great value for computer-aided medical diagnosis, enabling flexible data acquisition and model generalization. However, most existing methods have difficulty in handling local variations in domain shift and typically require a significant amount of data for training, which hinders their usage in practice. To address these problems, we propose a novel adaptive domain generalization framework, which integrates a learning-free cross-domain representation based on image gradient maps and a class prior-informed test-time adaptation strategy for mitigating local domain shift. We validate our approach on two multi-modal MRI datasets with six cross-modal segmentation tasks. Across all the task settings, our method consistently outperforms competing approaches and shows a stable performance even with limited training data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google