論文の概要: PSAT: Pediatric Segmentation Approaches via Adult Augmentations and Transfer Learning
- arxiv url: http://arxiv.org/abs/2507.05764v1
- Date: Tue, 08 Jul 2025 08:07:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-09 16:34:37.744227
- Title: PSAT: Pediatric Segmentation Approaches via Adult Augmentations and Transfer Learning
- Title（参考訳）: PSAT:成人の強化と転帰学習による小児の分節的アプローチ
- Authors: Tristan Kirscher, Sylvain Faisan, Xavier Coubez, Loris Barrier, Philippe Meyer,
- Abstract要約: 成人データに基づいて訓練されたセグメンテーションモデルの直接適用は、しばしば準最適性能をもたらす。
PSAT (Pediatric Approaches via adult Augmentations and Transfer Learning) は,これらの軸がパフォーマンスに与える影響を調べる体系的な研究である。
実験の結果,成人の指紋データに基づくトレーニング計画が,小児解剖学的解析と誤一致していることが判明した。
- 参考スコア（独自算出の注目度）: 0.18641315013048293
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Pediatric medical imaging presents unique challenges due to significant anatomical and developmental differences compared to adults. Direct application of segmentation models trained on adult data often yields suboptimal performance, particularly for small or rapidly evolving structures. To address these challenges, several strategies leveraging the nnU-Net framework have been proposed, differing along four key axes: (i) the fingerprint dataset (adult, pediatric, or a combination thereof) from which the Training Plan -including the network architecture-is derived; (ii) the Learning Set (adult, pediatric, or mixed), (iii) Data Augmentation parameters, and (iv) the Transfer learning method (finetuning versus continual learning). In this work, we introduce PSAT (Pediatric Segmentation Approaches via Adult Augmentations and Transfer learning), a systematic study that investigates the impact of these axes on segmentation performance. We benchmark the derived strategies on two pediatric CT datasets and compare them with state-of-theart methods, including a commercial radiotherapy solution. PSAT highlights key pitfalls and provides actionable insights for improving pediatric segmentation. Our experiments reveal that a training plan based on an adult fingerprint dataset is misaligned with pediatric anatomy-resulting in significant performance degradation, especially when segmenting fine structures-and that continual learning strategies mitigate institutional shifts, thus enhancing generalization across diverse pediatric datasets. The code is available at https://github.com/ICANS-Strasbourg/PSAT.
- Abstract（参考訳）: 小児医用画像は、成人と比較して解剖学的、発達学的に大きな違いがあるため、固有の課題を呈する。
成体データに基づいてトレーニングされたセグメンテーションモデルの直接適用は、特に小規模または急速に進化する構造に対して、しばしば準最適性能をもたらす。
これらの課題に対処するため、nnU-Netフレームワークを活用するいくつかの戦略が提案されている。
一 訓練計画(ネットワーク建築を含む。)が導出する指紋データセット(障害、小児又はその組み合わせ)
(二 学習セット(教育、小児科又は混合)
三 データ拡張パラメータ、及び
(4)転向学習法(ファインタニングと連続学習)
本研究では,これらの軸がセグメンテーション性能に与える影響を調査する系統的研究であるPSAT(Pediatric Segmentation Approachs via adult Augmentations and Transfer Learning)を紹介する。
我々は,2つの小児CTデータセットから得られた戦略をベンチマークし,商用放射線治療ソリューションを含む最先端の手法と比較した。
PSATは、重要な落とし穴を強調し、小児のセグメンテーションを改善するための実用的な洞察を提供する。
実験の結果,成人の指紋データセットに基づくトレーニングプランは,特に微細な構造をセグメント化する場合の小児解剖学的解析と誤一致しており,連続的な学習戦略は制度的な変化を緩和し,多様な小児データセットの一般化を促進させることがわかった。
コードはhttps://github.com/ICANS-Strasbourg/PSATで公開されている。
関連論文リスト
- Lifelong Whole Slide Image Analysis: Online Vision-Language Adaptation and Past-to-Present Gradient Distillation [1.1497371646067622]
全スライド画像(WSI)は、正確ながん診断と予後において重要な役割を担っている。
WSIのサイズがギガピクセルであることを考えると、ストレージ、処理、モデルトレーニングの点で困難を呈している。
本稿では,全スライディング画像(WSI)解析における生涯学習を向上する手法であるADaFGradを紹介する。
論文 参考訳（メタデータ） (2025-05-04T04:46:08Z) - Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。
具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。
知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
論文 参考訳（メタデータ） (2024-07-31T04:32:43Z) - Unlocking Robust Segmentation Across All Age Groups via Continual Learning [6.733504608145498]
小児CTボリュームに適用した場合の成人データに基づくCT臓器分割アルゴリズムの性能評価を行った。
我々は,すべての年齢層を対象としたセグメンテーションの精度を高めるために,データ拡張や継続学習アプローチを含む戦略を提案し,評価する。
論文 参考訳（メタデータ） (2024-04-19T21:21:36Z) - Retinal Vessel Segmentation via a Multi-resolution Contextual Network
and Adversarial Learning [4.776465250559035]
本稿では,意味的に異なる特徴間のコンテキスト依存を学習するためのマルチレゾリューション・コンテクスト・ネットワーク(MRC-Net)を提案する。
本手法は,DRIVE,STARE,CHASEの3つのベンチマークデータセットを用いて評価を行った。
論文 参考訳（メタデータ） (2023-04-25T14:27:34Z) - Understanding the Tricks of Deep Learning in Medical Image Segmentation:
Challenges and Future Directions [66.40971096248946]
本稿では,モデル実装の異なるフェーズに対して,MedISegの一連のトリックを収集する。
本稿では,これらの手法の有効性を一貫したベースライン上で実験的に検討する。
私たちはまた、それぞれのコンポーネントがプラグインとプレイの利点を持つ強力なMedISegリポジトリをオープンソースにしました。
論文 参考訳（メタデータ） (2022-09-21T12:30:05Z) - Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。
中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。
on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
論文 参考訳（メタデータ） (2022-01-07T07:46:01Z) - Towards Cross-modality Medical Image Segmentation with Online Mutual
Knowledge Distillation [71.89867233426597]
本稿では,あるモダリティから学習した事前知識を活用し,別のモダリティにおけるセグメンテーション性能を向上させることを目的とする。
モーダル共有知識を徹底的に活用する新しい相互知識蒸留法を提案する。
MMWHS 2017, MMWHS 2017 を用いた多クラス心筋セグメンテーション実験の結果, CT セグメンテーションに大きな改善が得られた。
論文 参考訳（メタデータ） (2020-10-04T10:25:13Z) - DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。
我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。
皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
論文 参考訳（メタデータ） (2020-08-19T06:02:46Z) - A survey of statistical learning techniques as applied to inexpensive
pediatric Obstructive Sleep Apnea data [3.1373682691616787]
閉塞性睡眠時無呼吸は小学生の1-5%に影響を及ぼす。
スウィフトの診断と治療は、子供の成長と発達にとって重要であるが、症状の多様性と利用可能なデータの複雑さは、これを困難にしている。
探索データ解析のプロセスにおいて,相関ネットワーク,トポロジカルデータ解析からのMapperアルゴリズム,特異値分解を適用した。
論文 参考訳（メタデータ） (2020-02-17T18:15:32Z)
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。