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

• arxiv url: http://arxiv.org/abs/2410.13472v2
• Date: Sun, 15 Dec 2024 13:59:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 13:50:18.820488
• 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, Jingfeng Zhang, Yanning Zhang, Yong Xia,
• Abstract要約: そこで我々は,DyNA(Day-Night Adaptation)と呼ばれる新しい適応フレームワークを提案する。 日中は、各テストサンプルに凍結モデルを適用するために、低周波プロンプトが訓練される。 夜間,日中から収集したテストデータを再利用し,教師モデルと学生モデルとの知識を橋渡しするグローバルな学生モデルを導入する。
• 参考スコア（独自算出の注目度）: 51.520294290813865
• License:
• Abstract: Distribution shifts widely exist in medical images acquired from different medical centres, hindering the deployment of semantic segmentation models trained on one centre (source domain) to another (target domain). While unsupervised domain adaptation has shown significant promise in mitigating these shifts, it poses privacy risks due to sharing data between centres. 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, SFDA requires a pre-collected target domain dataset before deployment. TTA insufficiently exploit the potential value of test data, as it processes the test data only once. Considering that most medical centres operate during the day and remain inactive at night in clinical practice, we propose a novel adaptation framework called Day-Night Adaptation (DyNA) with above insights, which performs adaptation through day-night cycles without requiring access to source data. During the day, a low-frequency prompt is trained to adapt the frozen model to each test sample. We construct a memory bank for prompt initialization and develop a warm-up mechanism to enhance prompt training. During the night, we reuse test data collected from the day and introduce a global student model to bridge the knowledge between teacher and student models, facilitating model fine-tuning while ensuring training stability. Extensive experiments demonstrate that our DyNA outperforms existing TTA and SFDA methods on two benchmark medical image segmentation tasks. Code will be available after the paper is published.
• 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)で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他のセンター(ターゲットドメイン)への展開を妨げる。 教師なしのドメイン適応は、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、SFDAはデプロイ前に事前にコンパイルされたターゲットドメインデータセットを必要とする。 TTAはテストデータのみを処理するため、テストデータの潜在的な価値を十分に活用する。 多くの医療センターが日中活動しており、臨床実践中も夜間に活動していないことを考慮し、上記の知見を取り入れたデイナイト適応(DyNA)と呼ばれる新しい適応フレームワークを提案し、ソースデータへのアクセスを必要とせず、昼夜のサイクルを通じて適応を行う。 日中は、各テストサンプルに凍結モデルを適用するために、低周波プロンプトが訓練される。 早急に初期化するためのメモリバンクを構築し,迅速なトレーニングを促進するためのウォームアップ機構を開発する。 夜間,日中から収集したテストデータを再利用し,教師モデルと学生モデルの知識を橋渡しし,モデルの微調整を容易にし,訓練安定性を確保した。 大規模な実験により、DyNAは既存のTTA法とSFDA法を2つのベンチマーク医用画像セグメンテーションタスクで上回っていることが明らかとなった。 コードは、論文が公開された後に公開される。

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。