[論文レビュー] HypCBC: Domain-Invariant Hyperbolic Cross-Branch Consistency for Generalizable Medical Image Analysis

Francesco Di Salvo, Sebastian Doerrich+2 more|arXiv (Cornell University)|Feb 3, 2026

Domain Adaptation and Few-Shot Learning被引用数 0

ひとこと要約

この論文は医用画像の超球面表現学習を検証し、 unsupervised でドメイン不変の hyperbolic cross-branch 一貫性制約を導入して、複数のデータセットと ViT モデルに対する一般化を向上させ、Euclidean 法を 2.1% ポータルの AUC で上回る。

ABSTRACT

Robust generalization beyond training distributions remains a critical challenge for deep neural networks. This is especially pronounced in medical image analysis, where data is often scarce and covariate shifts arise from different hardware devices, imaging protocols, and heterogeneous patient populations. These factors collectively hinder reliable performance and slow down clinical adoption. Despite recent progress, existing learning paradigms primarily rely on the Euclidean manifold, whose flat geometry fails to capture the complex, hierarchical structures present in clinical data. In this work, we exploit the advantages of hyperbolic manifolds to model complex data characteristics. We present the first comprehensive validation of hyperbolic representation learning for medical image analysis and demonstrate statistically significant gains across eleven in-distribution datasets and three ViT models. We further propose an unsupervised, domain-invariant hyperbolic cross-branch consistency constraint. Extensive experiments confirm that our proposed method promotes domain-invariant features and outperforms state-of-the-art Euclidean methods by an average of $+2.1\%$ AUC on three domain generalization benchmarks: Fitzpatrick17k, Camelyon17-WILDS, and a cross-dataset setup for retinal imaging. These datasets span different imaging modalities, data sizes, and label granularities, confirming generalization capabilities across substantially different conditions. The code is available at https://github.com/francescodisalvo05/hyperbolic-cross-branch-consistency .

研究の動機と目的

• デバイス、プロトコル、患者集団からの共変量シフト下で医用画像分析における堅牢な一般化を動機付ける。
• 医用画像における Hyperbolic 表現学習と Euclidean アプローチの比較を評価する。
• ドメイン不変のクロスブランチ一貫性制約を提案し、ドメイン一般化を強化する。

提案手法

• 臨床データの階層構造をモデル化するために Hyperbolic 流形を採用する。
• 11 のインディストリビューションデータセットと 3 つの ViT モデルを横断して Hyperbolic 表現学習を検証する。
• ドメイン不変の Hyperbolic クロスブランチ一貫性制約を提案し、ドメイン不変特徴を促進する。

実験結果

リサーチクエスチョン

• RQ1 超球面表現学習は多様なデータセットにおいて Euclidean 法より一般化性能を提供するか。
• RQ2 複数ドメインからの分布シフト下で、ドメイン不変のクロスブランチ一貫性制約は性能を向上させるか。
• RQ3 利得は異なるイメージングモダリティと ViT アーキテクチャ間で持続するか。

主な発見

• 超球面表現の統計的に有意な利得を、11 のインディストリビューションデータセットと 3 つの ViT モデルで実証。
• 3 つのドメイン一般化ベンチマークで Euclidean 法に対して平均 +2.1% AUC の改善を達成。
• ベンチマークには Fitzpatrick17k、Camelyon17-WILDS、クロスデータセットの網膜画像設計が含まれる。
• 多様なモダリティ、データサイズ、ラベル粒度が、さまざまな条件での一般化を確認。