論文の概要: On-the-Fly Test-time Adaptation for Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2203.05574v1
- Date: Thu, 10 Mar 2022 18:51:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-14 13:51:26.433323
- Title: On-the-Fly Test-time Adaptation for Medical Image Segmentation
- Title(参考訳): 医用画像分割のためのオンザフライテスト時間適応
- Authors: Jeya Maria Jose Valanarasu, Pengfei Guo, Vibashan VS, and Vishal M.
Patel
- Abstract要約: ソースモデルをテスト時にターゲットデータに適応させることは、データシフト問題に対する効率的な解決策である。
本稿では、各畳み込みブロックに適応バッチ正規化層を設けるAdaptive UNetという新しいフレームワークを提案する。
テスト期間中、モデルは新しいテストイメージのみを取り込み、ドメインコードを生成して、テストデータに従ってソースモデルの特徴を適応させる。
- 参考スコア(独自算出の注目度): 63.476899335138164
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: One major problem in deep learning-based solutions for medical imaging is the
drop in performance when a model is tested on a data distribution different
from the one that it is trained on. Adapting the source model to target data
distribution at test-time is an efficient solution for the data-shift problem.
Previous methods solve this by adapting the model to target distribution by
using techniques like entropy minimization or regularization. In these methods,
the models are still updated by back-propagation using an unsupervised loss on
complete test data distribution. In real-world clinical settings, it makes more
sense to adapt a model to a new test image on-the-fly and avoid model update
during inference due to privacy concerns and lack of computing resource at
deployment. To this end, we propose a new setting - On-the-Fly Adaptation which
is zero-shot and episodic (i.e., the model is adapted to a single image at a
time and also does not perform any back-propagation during test-time). To
achieve this, we propose a new framework called Adaptive UNet where each
convolutional block is equipped with an adaptive batch normalization layer to
adapt the features with respect to a domain code. The domain code is generated
using a pre-trained encoder trained on a large corpus of medical images. During
test-time, the model takes in just the new test image and generates a domain
code to adapt the features of source model according to the test data. We
validate the performance on both 2D and 3D data distribution shifts where we
get a better performance compared to previous test-time adaptation methods.
Code is available at https://github.com/jeya-maria-jose/On-The-Fly-Adaptation
- Abstract(参考訳): 医学的イメージングのためのディープラーニングベースのソリューションにおける大きな問題の1つは、モデルがトレーニングされたものとは異なるデータディストリビューション上でテストされた場合、パフォーマンスが低下することである。
テスト時のデータ分散にソースモデルを適用することは、データシフト問題の効率的な解決策である。
以前の手法では、エントロピー最小化や正規化といった手法を用いて、モデルをターゲットの分布に適応させることでこれを解決する。
これらの方法では、完全なテストデータ分布に対する教師なし損失を使用して、バックプロパゲーションによってモデルが更新される。
実際の臨床環境では、モデルがオンザフライで新しいテストイメージに適応し、プライバシの懸念とデプロイ時のコンピューティングリソースの不足のために推論中のモデル更新を避ける方がより合理的です。
この目的のために、ゼロショットでエピソディックなOn-the-Fly Adaptationを新たに提案する(つまり、モデルは一度に1つの画像に適合し、テスト期間中にバックプロパゲーションを行わない)。
そこで本研究では,各畳み込みブロックに適応型バッチ正規化層を設けたadaptive unetという新しいフレームワークを提案する。
ドメインコードは、医療画像の大きなコーパスで訓練された訓練済みエンコーダを用いて生成される。
テスト中のモデルは、新しいテストイメージだけを取り込んで、テストデータに従ってソースモデルの特徴を適合させるためにドメインコードを生成する。
従来のテスト時間適応法よりも優れた性能が得られる2次元および3次元データ分散シフトの性能を検証した。
コードはhttps://github.com/jeya-maria-jose/On-The-Fly-Adaptationで入手できる。
関連論文リスト
- Source-Free Test-Time Adaptation For Online Surface-Defect Detection [29.69030283193086]
テスト時間適応型表面欠陥検出手法を提案する。
推論中にトレーニング済みのモデルを新しいドメインやクラスに適応させる。
実験では、最先端の技術よりも優れています。
論文 参考訳(メタデータ) (2024-08-18T14:24:05Z) - Each Test Image Deserves A Specific Prompt: Continual Test-Time Adaptation for 2D Medical Image Segmentation [14.71883381837561]
ドメイン間の分散シフトは、実世界のアプリケーションに事前訓練されたセマンティックセグメンテーションモデルをデプロイする上で重要な障害である。
テスト時間適応は、推論中にドメイン間の分布シフトに取り組むのに有効であることが証明されている。
本稿では,各テスト画像に対する特定のプロンプトをトレーニングし,バッチ正規化レイヤの統計値を調整するために,Visual Prompt-based Test-Time Adaptation (VPTTA)法を提案する。
論文 参考訳(メタデータ) (2023-11-30T09:03:47Z) - Back to the Source: Diffusion-Driven Test-Time Adaptation [77.4229736436935]
テスト時間適応はテスト入力を利用し、シフトしたターゲットデータ上でテストした場合、ソースデータに基づいてトレーニングされたモデルの精度を向上させる。
代わりに、生成拡散モデルを用いて、すべてのテスト入力をソース領域に向けて投影することで、ターゲットデータを更新する。
論文 参考訳(メタデータ) (2022-07-07T17:14:10Z) - CAFA: Class-Aware Feature Alignment for Test-Time Adaptation [50.26963784271912]
テスト時間適応(TTA)は、テスト時にラベルのないデータにモデルを適応させることによって、この問題に対処することを目的としている。
本稿では,クラス認識特徴アライメント(CAFA, Class-Aware Feature Alignment)と呼ばれる単純な機能アライメント損失を提案する。
論文 参考訳(メタデータ) (2022-06-01T03:02:07Z) - SITA: Single Image Test-time Adaptation [48.789568233682296]
テスト時間適応(TTA)では、あるソースデータに基づいてトレーニングされたモデルを考えると、異なるディストリビューションからテストインスタンスに対してより良い予測を行うように適応することが目標である。
我々は、TTAをSITA(Single Image Test-time Adaptation)と呼ぶより実践的な環境で考える。
ここでは、各予測を行う場合、モデルはインスタンスのバッチではなく、与えられた単一のテストインスタンスにのみアクセスすることができる。
本稿では,前進保存伝播のみを必要とするSITA設定のための新しいアプローチAugBNを提案する。
論文 参考訳(メタデータ) (2021-12-04T15:01:35Z) - MT3: Meta Test-Time Training for Self-Supervised Test-Time Adaption [69.76837484008033]
ディープラーニングの未解決の問題は、ニューラルネットワークがテスト時間中のドメインシフトに対処する能力である。
メタラーニング、自己監督、テストタイムトレーニングを組み合わせて、目に見えないテスト分布に適応する方法を学びます。
この手法はcifar-10による画像分類ベンチマークの最先端結果を大幅に改善する。
論文 参考訳(メタデータ) (2021-03-30T09:33:38Z) - Tent: Fully Test-time Adaptation by Entropy Minimization [77.85911673550851]
モデルは、テスト中に新しいデータや異なるデータに一般化するように適応する必要があります。
この完全なテスト時間適応の設定では、モデルはテストデータとそれ自身のパラメータしか持たない。
実験エントロピー最小化(tent): 予測のエントロピーによって測定された信頼度に対するモデルを最適化する。
論文 参考訳(メタデータ) (2020-06-18T17:55:28Z)
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。