論文の概要: DDFP: Data-dependent Frequency Prompt for Source Free Domain Adaptation of Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2505.09927v1
• Date: Thu, 15 May 2025 03:24:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-16 22:29:06.168051
• Title: DDFP: Data-dependent Frequency Prompt for Source Free Domain Adaptation of Medical Image Segmentation
• Title（参考訳）: DDFP:医用画像セグメントのソースフリードメイン適応のためのデータ依存周波数プロンプト
• Authors: Siqi Yin, Shaolei Liu, Manning Wang,
• Abstract要約: ドメイン適応は、ドメインギャップに起因するモデルパフォーマンス劣化の課題に対処する。 ラベル付きソースドメインデータ、特に医療データセットへのアクセスは、プライバシポリシによって制限される。 本稿では,これらの課題に対処するために,新規なソースフリードメイン適応(SFDA)フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 15.107136785491482
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Domain adaptation addresses the challenge of model performance degradation caused by domain gaps. In the typical setup for unsupervised domain adaptation, labeled data from a source domain and unlabeled data from a target domain are used to train a target model. However, access to labeled source domain data, particularly in medical datasets, can be restricted due to privacy policies. As a result, research has increasingly shifted to source-free domain adaptation (SFDA), which requires only a pretrained model from the source domain and unlabeled data from the target domain data for adaptation. Existing SFDA methods often rely on domain-specific image style translation and self-supervision techniques to bridge the domain gap and train the target domain model. However, the quality of domain-specific style-translated images and pseudo-labels produced by these methods still leaves room for improvement. Moreover, training the entire model during adaptation can be inefficient under limited supervision. In this paper, we propose a novel SFDA framework to address these challenges. Specifically, to effectively mitigate the impact of domain gap in the initial training phase, we introduce preadaptation to generate a preadapted model, which serves as an initialization of target model and allows for the generation of high-quality enhanced pseudo-labels without introducing extra parameters. Additionally, we propose a data-dependent frequency prompt to more effectively translate target domain images into a source-like style. To further enhance adaptation, we employ a style-related layer fine-tuning strategy, specifically designed for SFDA, to train the target model using the prompted target domain images and pseudo-labels. Extensive experiments on cross-modality abdominal and cardiac SFDA segmentation tasks demonstrate that our proposed method outperforms existing state-of-the-art methods.
• Abstract（参考訳）: ドメイン適応は、ドメインギャップに起因するモデルパフォーマンス劣化の課題に対処する。 教師なしドメイン適応の典型的な設定では、ソースドメインからのラベル付きデータとターゲットドメインからのラベルなしデータを使用してターゲットモデルをトレーニングする。 しかし、特に医療データセットにおけるラベル付きソースドメインデータへのアクセスは、プライバシポリシによって制限される可能性がある。 その結果、ソースフリードメイン適応(SFDA)は、ソースドメインからの事前学習モデルと、ターゲットドメインデータからの未ラベルデータのみを必要とするようになった。 既存のSFDAの手法は、ドメインギャップを埋めてターゲットのドメインモデルをトレーニングするために、ドメイン固有のイメージスタイルの翻訳と自己スーパービジョン技術に依存していることが多い。 しかし、これらの手法によって作成されたドメイン固有のスタイル変換画像や擬似ラベルの品質は改善の余地を残している。 さらに、適応中にモデル全体を訓練することは、限られた監督下では非効率である。 本稿では,これらの課題に対処する新しいSFDAフレームワークを提案する。 具体的には、初期訓練フェーズにおけるドメインギャップの影響を効果的に緩和するために、ターゲットモデルの初期化に役立つ事前適応モデルを生成するための事前適応を導入し、追加パラメータを導入することなく高品質な拡張擬似ラベルの生成を可能にする。 さらに,対象領域の画像をより効率的にソース風のスタイルに変換するために,データ依存の周波数プロンプトを提案する。 さらに適応性を高めるため,SFDAのために特別に設計されたスタイル関連層微細調整戦略を用いて,誘導対象領域画像と擬似ラベルを用いてターゲットモデルを訓練する。 経口的腹部・心SFDAセグメンテーション作業における広範囲な実験により,提案手法が既存の最先端手法より優れていることが示された。

関連論文リスト

• Transcending Domains through Text-to-Image Diffusion: A Source-Free Approach to Domain Adaptation [6.649910168731417]
  ドメイン適応(ドメイン適応、Domain Adaptation、DA)は、アノテートデータが不十分なターゲットドメインにおけるモデルの性能を高める方法である。 本研究では,対象領域のサンプルに基づいてトレーニングしたテキスト・ツー・イメージ拡散モデルを用いて,ソースデータを生成する新しいSFDAフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-02T23:38:17Z)
• Spectral Adversarial MixUp for Few-Shot Unsupervised Domain Adaptation [72.70876977882882]
  臨床応用においては、トレーニング画像(ソース領域)とテスト画像(ターゲット領域)が異なる分布下にある場合、ドメインシフトは一般的な問題である。 本稿では,Few-Shot Unsupervised Domain Adaptation (FSUDA) の新たな手法を提案する。
  論文  参考訳（メタデータ） (2023-09-03T16:02:01Z)
• Source-Free Domain Adaptation via Distribution Estimation [106.48277721860036]
  ドメイン適応は、ラベル付きソースドメインから学んだ知識を、データ分散が異なるラベル付きターゲットドメインに転送することを目的としています。 近年,ソースフリードメイン適応 (Source-Free Domain Adaptation, SFDA) が注目されている。 本研究では,SFDA-DEと呼ばれる新しいフレームワークを提案し,ソース分布推定によるSFDAタスクに対処する。
  論文  参考訳（メタデータ） (2022-04-24T12:22:19Z)
• 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)
• Source-Free Domain Adaptive Fundus Image Segmentation with Denoised Pseudo-Labeling [56.98020855107174]
  ドメイン適応は通常、ソースドメインデータにアクセスして、ターゲットデータとのドメインアライメントのために配布情報を利用する必要があります。 多くの実世界のシナリオでは、プライバシの問題により、ターゲットドメインのモデル適応中にソースデータがアクセスできない場合がある。 本稿では,本問題に対する新たな擬似ラベル付け手法を提案する。
  論文  参考訳（メタデータ） (2021-09-19T06:38:21Z)
• Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training for Road Segmentation of Remote Sensing Images [93.50240389540252]
  リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。 本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。 2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-08-28T09:29:14Z)
• Source-Free Open Compound Domain Adaptation in Semantic Segmentation [99.82890571842603]
  SF-OCDAでは、ターゲットモデルを学習するために、ソース事前訓練されたモデルとターゲットデータのみが利用可能である。 そこで我々は,Cross-Patch Style Swap (CPSS)を提案する。 提案手法は,C-Drivingデータセット上で最先端の結果を生成する。
  論文  参考訳（メタデータ） (2021-06-07T08:38:41Z)

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。