BCMDA: 双方向相関マップによるドメイン適応のための、混合ドメイン半教師あり医用画像セグメンテーション
arXiv cs.CV / 2026/3/27
💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は、ドメインシフトと限られた注釈の下での混合ドメイン半教師あり医用画像セグメンテーションに取り組み、2つのボトルネック（ラベル付き/ラベルなしデータ間の分布不一致と、非効率な疑似ラベル学習によって生じる確認バイアス）を対象とする。
- BCMDAを提案し、双方向相関マップに基づく仮想ドメインブリッジ（KTVDB）と、fixed-ratioおよびprogressive dynamic MixUpといった戦略を用いて、ラベル付き・ラベルなしの仮想画像を合成することで、ドメイン間の知識移転をより良くする。
- さらに、dual bidirectional CutMixを適用し、固定された仮想ドメイン内での初期転移を行った後、動的に遷移するラベル付きドメインを通じて、転移を実際のラベルなしドメインへ徐々にシフトさせる。
- 確認バイアスを低減するために、protptype alignmentおよび疑似ラベル補正（PAPLC）を用いる。学習可能なプロトタイプのコサイン類似度分類器を活用して双方向のプロトタイプ整合を行い、より滑らかでコンパクトな特徴表現を得る。
- 3つのマルチドメインの公開データセットで実験を行い、BCMDAが従来手法を上回ることを示す。特にラベル付きサンプルが非常に限られる場合に顕著な結果を報告し、著者らはGitHubでコードを公開している。
