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
- BoostAdapter: Improving Vision-Language Test-Time Adaptation via Regional Bootstrapping [64.8477128397529]
本稿では,テスト時間適応フレームワークを提案する。
我々は、インスタンスに依存しない履歴サンプルとインスタンスを意識したブースティングサンプルから特徴を検索するための軽量なキー値メモリを維持している。
理論的には,本手法の背後にある合理性を正当化し,アウト・オブ・ディストリビューションとクロスドメイン・データセットの両方において,その有効性を実証的に検証する。
論文 参考訳（メタデータ） (2024-10-20T15:58:43Z) - 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) - Robust Source-Free Domain Adaptation for Fundus Image Segmentation [3.585032903685044]
Unlabelled Domain Adaptation (UDA)は、ラベル付きデータから学習した知識を、未ラベルデータのみを使用してターゲットドメインに転送する学習技術である。
本研究では,ロバストドメイン適応のための2段階トレーニングステージを提案する。
本稿では,ラベルのないターゲットデータを有効利用して擬似ラベルと擬似境界を生成する,ロバストな擬似ラベルと擬似境界(PLPB)手法を提案する。
論文 参考訳（メタデータ） (2023-10-25T14:25:18Z) - TAAL: Test-time Augmentation for Active Learning in Medical Image
Segmentation [7.856339385917824]
本稿では,セグメンテーションのための半教師付きアクティブラーニング手法であるTAAL(Test-time Augmentation for Active Learning)を提案する。
以上の結果から,TAALは既存のベースライン法よりも,完全教師付きと半教師付きの両方で優れていることが示された。
論文 参考訳（メタデータ） (2023-01-16T22:19:41Z) - 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) - 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) - Do We Really Need to Access the Source Data? Source Hypothesis Transfer
for Unsupervised Domain Adaptation [102.67010690592011]
Unsupervised adaptUDA (UDA) は、ラベル付きソースデータセットから学んだ知識を活用して、新しいラベル付きドメインで同様のタスクを解決することを目的としている。
従来のUDAメソッドは、モデルに適応するためには、通常、ソースデータにアクセスする必要がある。
この作業は、訓練済みのソースモデルのみが利用できる実践的な環境に取り組み、ソースデータなしでそのようなモデルを効果的に活用してUDA問題を解決する方法に取り組みます。
論文 参考訳（メタデータ） (2020-02-20T03:13:58Z)
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。