論文の概要: Day-Night Adaptation: An Innovative Source-free Adaptation Framework for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2410.13472v1
• Date: Thu, 17 Oct 2024 12:02:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-18 13:19:38.857201
• Title: Day-Night Adaptation: An Innovative Source-free Adaptation Framework for Medical Image Segmentation
• Title（参考訳）: Day-Night Adaptation:医療画像セグメンテーションのためのイノベーティブなソースフリー適応フレームワーク
• Authors: Ziyang Chen, Yiwen Ye, Yongsheng Pan, Yong Xia,
• Abstract要約: 我々はデイナイト適応(DyNA)と呼ばれる新しい適応フレームワークを提案する。 このフレームワークは、ソースデータへのアクセスを必要とせずに、日々のループを通じてターゲットドメインにモデルを適応させる。 具体的には、日中と夜間の異なる適応戦略を実践し、臨床環境の要求に応えた。
• 参考スコア（独自算出の注目度）: 15.791041311313448
• License:
• Abstract: Distribution shifts widely exist in medical images acquired from different medical centers, hindering the deployment of semantic segmentation models trained on data from one center (source domain) to another (target domain). While unsupervised domain adaptation (UDA) has shown significant promise in mitigating these shifts, it poses privacy risks due to sharing data between centers. To facilitate adaptation while preserving data privacy, source-free domain adaptation (SFDA) and test-time adaptation (TTA) have emerged as effective paradigms, relying solely on target domain data. However, the scenarios currently addressed by SFDA and TTA are limited, making them less suitable for clinical applications. In a more realistic clinical scenario, the pre-trained model is deployed in a medical centre to assist with clinical tasks during the day and rest at night. During the daytime process, TTA can be employed to enhance inference performance. During the nighttime process, after collecting the test data from the day, the model can be fine-tuned utilizing SFDA to further adapt to the target domain. With above insights, we propose a novel adaptation framework called Day-Night Adaptation (DyNA). This framework adapts the model to the target domain through day-night loops without requiring access to source data. Specifically, we implement distinct adaptation strategies for daytime and nighttime to better meet the demands of clinical settings. During the daytime, model parameters are frozen, and a specific low-frequency prompt is trained for each test sample. Additionally, we construct a memory bank for prompt initialization and develop a warm-up mechanism to enhance prompt training. During nighttime, we integrate a global student model into the traditional teacher-student self-training paradigm to fine-tune the model while ensuring training stability...
• Abstract（参考訳）: 分布シフトは、異なる医療センターから取得した医療画像に広く存在し、あるセンター(ソースドメイン)から別のセンター(ターゲットドメイン)へのデータに基づいて訓練されたセマンティックセグメンテーションモデルの展開を妨げる。 教師なしドメイン適応(UDA)は、これらのシフトを緩和する上で大きな可能性を示しているが、センター間でデータを共有することによってプライバシー上のリスクが生じる。 データプライバシを保護しながら適応を容易にするため、ソースフリードメイン適応(SFDA)とテストタイム適応(TTA)が、ターゲットドメインデータのみに依存する効果的なパラダイムとして登場した。 しかし、現在FDAとTTAによって対処されているシナリオは限られており、臨床応用には適さない。 より現実的な臨床シナリオでは、トレーニング済みのモデルが医療センターに展開され、日中と夜の休息を補助する。 昼間のプロセスでは、推論性能を高めるためにTTAを用いることができる。 夜間のプロセスでは、その日からテストデータを収集した後、SFDAを利用してモデルを微調整し、ターゲットドメインにさらに適応させることができる。 以上の知見により、我々はデイナイト適応(DyNA)と呼ばれる新しい適応フレームワークを提案する。 このフレームワークは、ソースデータへのアクセスを必要とせずに、日々のループを通じてターゲットドメインにモデルを適応させる。 具体的には、日中と夜間の異なる適応戦略を実践し、臨床的な設定の要求に合うようにした。 昼間はモデルパラメータが凍結され、テストサンプル毎に特定の低周波プロンプトがトレーニングされる。 また、初期化を早めるためのメモリバンクを構築し、迅速な訓練を促進するためのウォームアップ機構を開発する。 夜間、私たちはグローバルな学生モデルを従来の教師による自己学習パラダイムに統合し、トレーニングの安定性を確保しながらモデルを微調整する。

関連論文リスト

• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• 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)
• Informative Data Mining for One-Shot Cross-Domain Semantic Segmentation [84.82153655786183]
  Informative Data Mining (IDM) と呼ばれる新しいフレームワークを提案し、セマンティックセグメンテーションのための効率的なワンショットドメイン適応を実現する。 IDMは、最も情報性の高いサンプルを特定するために不確実性に基づく選択基準を提供し、迅速に適応し、冗長なトレーニングを減らす。 提案手法は,GTA5/SYNTHIAからCityscapesへの適応タスクにおいて,既存の手法より優れ,56.7%/55.4%の最先端のワンショット性能を実現している。
  論文  参考訳（メタデータ） (2023-09-25T15:56:01Z)
• Towards Foundation Models and Few-Shot Parameter-Efficient Fine-Tuning for Volumetric Organ Segmentation [20.94974284175104]
  FSEFT(Few-Shot Efficient Fine-Tuning)は、医用画像セグメンテーション基礎モデルに適用するための、新規かつ現実的なシナリオである。 総合的な転写学習実験により, 医用画像分割における基礎モデルの適合性を確認し, 数ショットのシナリオにおいて, 一般的な微調整戦略の限界を明らかにする。
  論文  参考訳（メタデータ） (2023-03-29T22:50:05Z)
• 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)
• DLTTA: Dynamic Learning Rate for Test-time Adaptation on Cross-domain Medical Images [56.72015587067494]
  DLTTAと呼ばれるテスト時間適応のための新しい動的学習率調整法を提案する。 本手法は,現在最先端のテスト時間適応法よりも一貫した性能向上を図り,有効かつ高速なテスト時間適応を実現する。
  論文  参考訳（メタデータ） (2022-05-27T02:34:32Z)
• Test-Time Adaptation with Shape Moments for Image Segmentation [16.794050614196916]
  セグメント化のためのテスト時間単オブジェクト適応について検討する。 本稿では,この課題に対処するための形状誘導エントロピー最小化手法を提案する。 我々は, 様々な形状を事前に組み込んで, 可算解への適応を導出する可能性を示す。
  論文  参考訳（メタデータ） (2022-05-16T20:47:13Z)
• Target and Task specific Source-Free Domain Adaptive Image Segmentation [73.78898054277538]
  ソースフリー領域適応画像分割のための2段階のアプローチを提案する。 我々は,高エントロピー領域を抑えつつ,ターゲット固有の擬似ラベルを生成することに注力する。 第2段階では、タスク固有の表現にネットワークを適用することに重点を置いている。
  論文  参考訳（メタデータ） (2022-03-29T17:50:22Z)
• On-the-Fly Test-time Adaptation for Medical Image Segmentation [63.476899335138164]
  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。
  論文  参考訳（メタデータ） (2022-03-10T18:51:29Z)
• Self-Adaptive Transfer Learning for Multicenter Glaucoma Classification in Fundus Retina Images [9.826586293806837]
  マルチセンタデータセット間のドメインギャップを埋めるための自己適応型トランスファーラーニング(SATL)戦略を提案する。 具体的には、ソースドメイン上で事前訓練されたDLモデルのエンコーダを使用して、再構成モデルのエンコーダを初期化する。 以上の結果から,SATL法はプライベートおよび2つの公共緑内障診断データセット間の領域適応作業に有効であることが示唆された。
  論文  参考訳（メタデータ） (2021-05-07T05:20:37Z)

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。