論文の概要: Transfer Risk Map: Mitigating Pixel-level Negative Transfer in Medical Segmentation

• arxiv url: http://arxiv.org/abs/2502.02340v1
• Date: Tue, 04 Feb 2025 14:19:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 14:58:56.950238
• Title: Transfer Risk Map: Mitigating Pixel-level Negative Transfer in Medical Segmentation
• Title（参考訳）: 転送リスクマップ:医療セグメントにおける画素レベルの負の転送の軽減
• Authors: Shutong Duan, Jingyun Yang, Yang Tan, Guoqing Zhang, Yang Li, Xiao-Ping Zhang,
• Abstract要約: 本稿では,医学的セグメンテーションにおいて重要な伝達リスクのある領域に対して,モデルの注意を向ける重み付き微調整手法を提案する。 具体的には、転送可能性誘導転送リスクマップを計算し、各画素の転送硬度と負転送の潜在的なリスクを定量化する。 脳のセグメンテーションの実験では、ターゲットタスクのパフォーマンスが大幅に向上し、FeTS 2021では4.37%、iSeg 2019では1.81%向上した。
• 参考スコア（独自算出の注目度）: 10.159445369238838
• License:
• Abstract: How to mitigate negative transfer in transfer learning is a long-standing and challenging issue, especially in the application of medical image segmentation. Existing methods for reducing negative transfer focus on classification or regression tasks, ignoring the non-uniform negative transfer risk in different image regions. In this work, we propose a simple yet effective weighted fine-tuning method that directs the model's attention towards regions with significant transfer risk for medical semantic segmentation. Specifically, we compute a transferability-guided transfer risk map to quantify the transfer hardness for each pixel and the potential risks of negative transfer. During the fine-tuning phase, we introduce a map-weighted loss function, normalized with image foreground size to counter class imbalance. Extensive experiments on brain segmentation datasets show our method significantly improves the target task performance, with gains of 4.37% on FeTS2021 and 1.81% on iSeg2019, avoiding negative transfer across modalities and tasks. Meanwhile, a 2.9% gain under a few-shot scenario validates the robustness of our approach.
• Abstract（参考訳）: 転帰学習における負の伝達を緩和する方法は、特に医用画像セグメンテーションの適用において、長年、かつ困難な問題である。 画像領域の非均一な負の伝達リスクを無視して、分類や回帰タスクに焦点をあてる既存の方法。 本研究では,医学的セグメンテーションにおいて重要な伝達リスクを持つ領域に対して,モデルの注意を向ける簡易かつ効果的な微調整法を提案する。 具体的には、転送可能性誘導転送リスクマップを計算し、各画素の転送硬度と負転送の潜在的なリスクを定量化する。 微調整フェーズでは,クラス不均衡に対応するために,画像前景サイズを正規化したマップ重み付き損失関数を導入する。 脳のセグメンテーションデータセットの大規模な実験により、ターゲットタスクのパフォーマンスが大幅に向上し、FeTS2021が4.37%、iSeg2019が1.81%向上し、モダリティやタスク間の負の移動が回避された。 一方、数ショットのシナリオで2.9%の増加は、我々のアプローチの堅牢性を検証する。

関連論文リスト

• On dataset transferability in medical image classification [17.2563652152858]
  医用画像分類において、電流伝達可能性推定法は、しばしば準最適である。 本稿では,特徴量と勾配を組み合わせ,対象タスクに対するソースモデル特徴の適合性と適応性を両立させる新しい伝達可能性指標を提案する。 その結果,提案手法は両方の設定で既存の転送可能性指標より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-12-28T15:00:04Z)
• Classification of Breast Cancer Histopathology Images using a Modified Supervised Contrastive Learning Method [4.303291247305105]
  モデルロバスト性を高めるために、画像レベルラベルとドメイン固有の拡張の両方を活用することで教師付きコントラスト学習法を改善する。 乳癌の病理組織像から得られたBreakHisデータセットについて検討した。 この改良は93.63%の絶対精度に対応し、データの特性を利用してより適切な表現空間を学習するアプローチの有効性を強調した。
  論文  参考訳（メタデータ） (2024-05-06T17:06:11Z)
• TranSegPGD: Improving Transferability of Adversarial Examples on Semantic Segmentation [62.954089681629206]
  そこで本研究では, セグメンテーションにおける2段階の対角攻撃戦略を提案し, セグメンテーションにおける対角攻撃の伝達性を向上させる。 提案手法は,最先端の性能を達成できる。
  論文  参考訳（メタデータ） (2023-12-03T00:48:33Z)
• Unsupervised Joint Image Transfer and Uncertainty Quantification using Patch Invariant Networks [0.0]
  教師なし画像転送は、大量のペアトレーニングデータが不足している医療アプリケーションに対して、モダリティ内およびモダリティ間転送を可能にする。 既存の医療画像転送の方法は、一般にサイクル一貫性に基づいており、追加のリソースと不安定を引き起こす。 本稿では,一方向領域マッピングのための新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-07-09T19:13:00Z)
• MT-TransUNet: Mediating Multi-Task Tokens in Transformers for Skin Lesion Segmentation and Classification [9.900592700187376]
  近年の皮膚癌自動診断の進歩は, 皮膚科医と同等の成績を示した。 正確な病変分割は付加的な病変情報で分類作業を補うことができると我々は主張する。 本稿では,皮膚病変の分類・分類が可能なMT-TransUNetというマルチタスクフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-03T07:51:13Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• Frustratingly Easy Transferability Estimation [64.42879325144439]
  本稿では,TransRate という,シンプルで効率的かつ効果的な転送可能性尺度を提案する。 TransRateは、事前訓練されたモデルによって抽出された対象サンプルの特徴とそれらのラベルとの間の相互情報として、転送可能性を測定する。 10行のコードで並外れた単純さにもかかわらず、TransRateは、22の事前訓練されたモデルと16のダウンストリームタスクに対する広範囲な評価において、非常にうまく機能している。
  論文  参考訳（メタデータ） (2021-06-17T10:27:52Z)
• Supervised Transfer Learning at Scale for Medical Imaging [8.341246672632582]
  現代的手法が医療画像の転送学習の運命を変えることができるかどうかを検討する。 Kolesnikovらによって提示された大規模な事前訓練されたネットワークのクラスを研究します。 3つの多様なイメージングタスクで 自然画像から医用画像へ移行する性質のいくつかは、実際には極めて有効であるが、十分な規模で実行された場合にのみ有効である。
  論文  参考訳（メタデータ） (2021-01-14T23:55:49Z)
• Weakly-Supervised Cross-Domain Adaptation for Endoscopic Lesions Segmentation [79.58311369297635]
  異なるデータセットにまたがるトランスファー可能なドメイン不変知識を探索できる,新しい弱い教師付き病巣移動フレームワークを提案する。 wasserstein quantified transferability frameworkは、広い範囲の転送可能なコンテキスト依存性を強調するために開発されている。 新規な自己監督型擬似ラベル生成器は、送信困難かつ転送容易なターゲットサンプルの両方に対して、確実な擬似ピクセルラベルを等しく提供するように設計されている。
  論文  参考訳（メタデータ） (2020-12-08T02:26:03Z)
• Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
  胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。 また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
  論文  参考訳（メタデータ） (2020-07-21T14:37:00Z)
• Universal Loss Reweighting to Balance Lesion Size Inequality in 3D Medical Image Segmentation [50.63623720394348]
  ネットワークの小さな病変の検出能力を高めるために,損失再重み付け手法を提案する。 Dice Loss, Focal Loss, Asymmetric similarity Lossなど,よく知られた損失関数に対する本手法の利点を報告する。 実験の結果, 逆重み付けは検出品質を著しく向上させる一方で, 最先端のデライン化品質を保っていることがわかった。
  論文  参考訳（メタデータ） (2020-07-20T12:08:22Z)

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。