論文の概要: Tied Prototype Model for Few-Shot Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2506.22101v1
• Date: Fri, 27 Jun 2025 10:33:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-30 21:12:23.175749
• Title: Tied Prototype Model for Few-Shot Medical Image Segmentation
• Title（参考訳）: Few-Shot医療画像セグメンテーションのためのタイトプロトタイプモデル
• Authors: Hyeongji Kim, Stine Hansen, Michael Kampffmeyer,
• Abstract要約: 本稿では,前景および背景分布のためのプロトタイプ位置を結合したADNetの原理的再構成を提案する。 確率的基盤に基づいて、TPMは自然に複数のプロトタイプとマルチクラスのセグメンテーションに拡張する。 自然発生のクラス事前を利用して適応しきい値の理想的なターゲットを定義する。
• 参考スコア（独自算出の注目度）: 9.455265838231252
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Common prototype-based medical image few-shot segmentation (FSS) methods model foreground and background classes using class-specific prototypes. However, given the high variability of the background, a more promising direction is to focus solely on foreground modeling, treating the background as an anomaly -- an approach introduced by ADNet. Yet, ADNet faces three key limitations: dependence on a single prototype per class, a focus on binary classification, and fixed thresholds that fail to adapt to patient and organ variability. To address these shortcomings, we propose the Tied Prototype Model (TPM), a principled reformulation of ADNet with tied prototype locations for foreground and background distributions. Building on its probabilistic foundation, TPM naturally extends to multiple prototypes and multi-class segmentation while effectively separating non-typical background features. Notably, both extensions lead to improved segmentation accuracy. Finally, we leverage naturally occurring class priors to define an ideal target for adaptive thresholds, boosting segmentation performance. Taken together, TPM provides a fresh perspective on prototype-based FSS for medical image segmentation. The code can be found at https://github.com/hjk92g/TPM-FSS.
• Abstract（参考訳）: 共通プロトタイプベース医療画像小ショットセグメンテーション(FSS)手法は、クラス固有のプロトタイプを使用して、前景と背景のクラスをモデル化する。 しかし、背景の多様性が高いことから、より有望な方向性は、前景モデリングのみに集中し、背景を異常として扱うことである -- ADNetが導入したアプローチである。 しかし、ADNetは3つの重要な制限に直面している。クラス毎に1つのプロトタイプに依存すること、バイナリ分類にフォーカスすること、患者と臓器の変動に適応できない固定しきい値である。 これらの欠点に対処するため、我々は、前景および背景分布のためのプロトタイプ位置を結合したADNetの原則的再構成であるTied Prototype Model (TPM)を提案する。 確率的基盤に基づいて、TPMは自然に複数のプロトタイプとマルチクラスのセグメンテーションに拡張し、非典型的背景特徴を効果的に分離する。 特に、どちらの拡張もセグメンテーションの精度を向上させる。 最後に、自然発生のクラス事前を利用して、適応しきい値の理想的なターゲットを定義し、セグメンテーション性能を向上する。 合わせて、TPMは、医療画像セグメンテーションのためのプロトタイプベースのFSSについて、新たな視点を提供する。 コードはhttps://github.com/hjk92g/TPM-FSSで見ることができる。

関連論文リスト

• Concentrate on Weakness: Mining Hard Prototypes for Few-Shot Medical Image Segmentation [17.638595740284636]
  Few-Shot Medical Image (FSMIS) は、少数の注釈付き画像からセグメント化を行うモデルを訓練するために広く使われている。 我々は、明確なセグメンテーション境界に不可欠な、より弱い特徴にもっと注意を払うことを提案する。
  論文  参考訳（メタデータ） (2025-05-28T02:22:05Z)
• Is Foreground Prototype Sufficient? Few-Shot Medical Image Segmentation with Background-Fused Prototype [40.062825908232185]
  Few-shot Semantic(FSS)は、トレーニング済みモデルを新しいクラスに適応するために、クラス毎に1つのラベル付きトレーニングサンプルをラベル付けする。 医用画像におけるFSSのための新しいプラガブルバックグラウンドフューズプロトタイプ(Bro)を提案する。 Bro氏はこの背景を2つのピボット設計で組み込んでいる。具体的には、FeaC(FeaC)は、クエリイメージとのクロスアテンションを利用して、最初にサポートイメージのノイズを低減します。 チャネルグループに基づくアテンション機構によりこれを実現し、敵構造は粗大な核融合を促進する。
  論文  参考訳（メタデータ） (2024-12-04T02:51:22Z)
• Few-Shot Medical Image Segmentation with High-Fidelity Prototypes [38.073371773707514]
  本稿では,オブジェクトフォアグラウンドと背景を包括的に表現する高忠実度プロトタイプを構築するための,DSPNet(Detail Self-Refined Prototype Network)を提案する。 得られた詳細セマンティクスを維持しつつグローバルなセマンティクスを構築するために,マルチモーダル構造をクラスタリングでモデル化し,それぞれをチャネル的に融合させることにより,前景のプロトタイプを学習する。
  論文  参考訳（メタデータ） (2024-06-26T05:06:14Z)
• Query-guided Prototype Evolution Network for Few-Shot Segmentation [85.75516116674771]
  本稿では,前景と背景のプロトタイプの生成プロセスにクエリ機能を統合する新しい手法を提案する。 PASCAL-$5i$とミラーリング-$20i$データセットの実験結果は、QPENetが達成した実質的な拡張を示している。
  論文  参考訳（メタデータ） (2024-03-11T07:50:40Z)
• Rethinking Few-shot 3D Point Cloud Semantic Segmentation [62.80639841429669]
  本稿では,FS-PCSによる3Dポイント・クラウドセマンティックセマンティックセグメンテーションについて再検討する。 我々は、最先端の2つの重要な問題、前景の漏洩とスパースポイントの分布に焦点をあてる。 これらの問題に対処するために、新しいベンチマークを構築するための標準化されたFS-PCS設定を導入する。
  論文  参考訳（メタデータ） (2024-03-01T15:14:47Z)
• Few-Shot Medical Image Segmentation via a Region-enhanced Prototypical Transformer [20.115149216170327]
  Region-enhanced Prototypeal Transformer (RPT) は、大規模なクラス内多様性/バイアスの影響を緩和するための、数発の学習に基づく手法である。 BaTブロックを積み重ねることで、提案したRTTは、生成した地域プロトタイプを反復的に最適化し、最終的に修正されたより正確なグローバルプロトタイプを生成することができる。
  論文  参考訳（メタデータ） (2023-09-09T15:39:38Z)
• Prompt Tuning for Parameter-efficient Medical Image Segmentation [79.09285179181225]
  2つの医用画像データセットのセマンティックセグメンテーションにパラメータ効率が良いが効果的な適応を実現するために,いくつかのコントリビューションを提案し,検討する。 我々はこのアーキテクチャを、オンライン生成プロトタイプへの割り当てに基づく専用密集型セルフスーパービジョンスキームで事前訓練する。 得られたニューラルネットワークモデルにより、完全に微調整されたモデルとパラメータに適応したモデルとのギャップを緩和できることを実証する。
  論文  参考訳（メタデータ） (2022-11-16T21:55:05Z)
• BMD: A General Class-balanced Multicentric Dynamic Prototype Strategy for Source-free Domain Adaptation [74.93176783541332]
  Source-free Domain Adaptation (SFDA)は、トレーニング済みのソースモデルを、十分にラベル付けされたソースデータにアクセスすることなく、未ラベルのターゲットドメインに適応することを目的としている。 ソースデータの欠如を補うため、既存のほとんどのメソッドは、機能プロトタイプベースの擬似ラベル戦略を導入した。 SFDAタスクのための汎用クラスベース多中心動的プロトタイプ戦略を提案する。
  論文  参考訳（メタデータ） (2022-04-06T13:23:02Z)
• Rethinking Semantic Segmentation: A Prototype View [126.59244185849838]
  学習不可能なプロトタイプをベースとした非パラメトリックセマンティックセマンティックセマンティクスモデルを提案する。 我々のフレームワークは、いくつかのデータセットに対して魅力的な結果をもたらす。 この作業が、現在のデファクトセマンティックセグメンテーションモデル設計を再考することを期待しています。
  論文  参考訳（メタデータ） (2022-03-28T21:15:32Z)
• Dual Prototypical Contrastive Learning for Few-shot Semantic Segmentation [55.339405417090084]
  本稿では,FSSタスクに適合する2つの特徴的コントラスト学習手法を提案する。 第一の考え方は、プロトタイプの特徴空間におけるクラス内距離を減少させながら、クラス間距離を増やすことで、プロトタイプをより差別的にすることである。 提案手法は,PASCAL-5iおよびCOCO-20iデータセット上で,最先端のFSS手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-11-09T08:14:50Z)

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。