論文の概要: TopoTTA: Topology-Enhanced Test-Time Adaptation for Tubular Structure Segmentation

• arxiv url: http://arxiv.org/abs/2508.00442v1
• Date: Fri, 01 Aug 2025 08:59:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-04 18:08:53.806623
• Title: TopoTTA: Topology-Enhanced Test-Time Adaptation for Tubular Structure Segmentation
• Title（参考訳）: TopoTTA:Topology-Enhanced Test-Time Adaptation for Tubular Structure Segmentation
• Authors: Jiale Zhou, Wenhan Wang, Shikun Li, Xiaolei Qu, Xin Guo, Yizhong Liu, Wenzhong Tang, Xun Lin, Yefeng Zheng,
• Abstract要約: Topology-enhanced Test-Time Adaptation (TopoTTA)は、Tubular Structure segmentation (TSS)のために設計されたテスト時間適応フレームワークである。 TopoTTAは2つの段階から構成される: ステージ1はトポMDCを用いてドメイン横断的なトポロジカルな不一致にモデルを適応し、ステージ2はトポロジカルなサンプル生成戦略によってトポロジカルな連続性を改善する。 4つのシナリオと10のデータセットにわたる大規模な実験は、トポロジカルな分布シフトを扱う上でのTopoTTAの有効性を示している。
• 参考スコア（独自算出の注目度）: 19.36694619611655
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tubular structure segmentation (TSS) is important for various applications, such as hemodynamic analysis and route navigation. Despite significant progress in TSS, domain shifts remain a major challenge, leading to performance degradation in unseen target domains. Unlike other segmentation tasks, TSS is more sensitive to domain shifts, as changes in topological structures can compromise segmentation integrity, and variations in local features distinguishing foreground from background (e.g., texture and contrast) may further disrupt topological continuity. To address these challenges, we propose Topology-enhanced Test-Time Adaptation (TopoTTA), the first test-time adaptation framework designed specifically for TSS. TopoTTA consists of two stages: Stage 1 adapts models to cross-domain topological discrepancies using the proposed Topological Meta Difference Convolutions (TopoMDCs), which enhance topological representation without altering pre-trained parameters; Stage 2 improves topological continuity by a novel Topology Hard sample Generation (TopoHG) strategy and prediction alignment on hard samples with pseudo-labels in the generated pseudo-break regions. Extensive experiments across four scenarios and ten datasets demonstrate TopoTTA's effectiveness in handling topological distribution shifts, achieving an average improvement of 31.81% in clDice. TopoTTA also serves as a plug-and-play TTA solution for CNN-based TSS models.
• Abstract（参考訳）: 管状構造セグメンテーション(TSS)は、血行動態解析やルートナビゲーションなど、様々な用途において重要である。 TSSの大幅な進歩にもかかわらず、ドメインシフトは依然として大きな課題であり、目に見えないターゲットドメインのパフォーマンス低下につながっている。 他のセグメンテーションタスクとは異なり、TSSは、トポロジカルな構造の変化がセグメンテーションの整合性を損なう可能性があり、背景(例えばテクスチャやコントラスト)と前景を区別する局所的な特徴の変化は、トポロジカルな連続性をさらに破壊する可能性があるため、ドメインシフトに敏感である。 これらの課題に対処するため,Topology-enhanced Test-Time Adaptation (TopoTTA)を提案する。 TopoTTAは2つの段階から構成される: 提案されたトポロジカルメタ差畳み込み(TopoMDCs)を用いて、モデル1は、事前訓練されたパラメータを変更することなくトポロジカル表現を向上させる。 4つのシナリオと10のデータセットにわたる大規模な実験は、トポロジカルな分布シフトを扱うTopoTTAの有効性を示し、clDiceで平均31.81%の改善を達成した。 TopoTTAは、CNNベースのTSSモデルのプラグアンドプレイTTAソリューションとしても機能する。

関連論文リスト

• HASD: Hierarchical Adaption for pathology Slide-level Domain-shift [41.62754003105711]
  スライドレベルドメインシフト(HASD)のための階層的適応フレームワークを提案する。 HASDはマルチスケールの特徴整合性と計算効率のよいスライドレベルドメイン適応を実現する。 5つのデータセットにまたがる2つのスライドレベルのタスクに対して,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2025-06-30T09:52:01Z)
• ReservoirTTA: Prolonged Test-time Adaptation for Evolving and Recurring Domains [17.357842682605185]
  ReservoirTTAは、長期間のテスト時間適応のために設計された新しいプラグインフレームワークである。 中心となるReservoirTTAはドメイン特化モデルの貯水池を維持している。 理論的解析により,パラメータの分散を束縛し,モデル崩壊を防ぐ重要な要素が明らかになった。
  論文  参考訳（メタデータ） (2025-05-20T15:39:20Z)
• Adapting In-Domain Few-Shot Segmentation to New Domains without Retraining [53.963279865355105]
  クロスドメイン小ショットセグメンテーション(CD-FSS)は、新しいドメインで新しいクラスのオブジェクトをセグメンテーションすることを目的としている。 多くのCD-FSSメソッドは、様々なドメイン一般化手法を用いて、ドメイン内FSSモデルを再設計し、再訓練する。 そこで,本研究では,FSSモデルを対象ドメインに適応させ,少数ショットラベル付きサポートサンプルからドメイン特性を学習する手法を提案する。
  論文  参考訳（メタデータ） (2025-04-30T08:16:33Z)
• Transferable Mask Transformer: Cross-domain Semantic Segmentation with Region-adaptive Transferability Estimation [6.355831653594172]
  Transferable Mask Transformer (TMT) はセマンティックセグメンテーションのための新しい領域レベルの適応フレームワークである。 TMTは空間伝達可能性解析を通じてクロスドメイン表現を整列する。 TMTは、バニラファインチューニングよりも平均2%MIoU改善を達成し、最先端のベースラインに比べて1.28%向上した。
  論文  参考訳（メタデータ） (2025-04-08T07:53:51Z)
• Bi-TTA: Bidirectional Test-Time Adapter for Remote Physiological Measurement [25.11883761217408]
  リモート光胸腺撮影(r)は、カメラのみを用いて生理的信号を監視する非侵襲的アプローチとして注目されている。 約束にもかかわらず、新しいドメインへのrモデルの適応性は、生理的信号の環境感受性のために妨げられている。 Bi-TTA(Bidirectional Test-Time Adapter)フレームワークについて紹介する。
  論文  参考訳（メタデータ） (2024-09-25T19:55:20Z)
• Relative Representations: Topological and Geometric Perspectives [53.88896255693922]
  相対表現はゼロショットモデルの縫合に対する確立されたアプローチである。 相対変換において正規化手順を導入し、非等方的再スケーリングや置換に不変となる。 第二に、クラス内のクラスタリングを促進するトポロジカル正規化損失である、微調整された相対表現におけるトポロジカルデシフィケーションの展開を提案する。
  論文  参考訳（メタデータ） (2024-09-17T08:09:22Z)
• Edge Classification on Graphs: New Directions in Topological Imbalance [53.42066415249078]
  異なるクラスにまたがるエッジの歪んだ分布から生じる新しいトポロジカル不均衡問題」を同定する。 本稿では,各エッジのトポロジ的不均衡を測定する新しいトポロジ的指標であるトポロジカルエントロピー(TE)を紹介する。 TEをベースとした(合成)エッジのトレーニングに重点を置くため、トポロジカルリウェイトリングとTEウェッジベースのMixupという2つの戦略を開発した。
  論文  参考訳（メタデータ） (2024-06-17T16:02:36Z)
• Test-Time Domain Generalization for Face Anti-Spoofing [60.94384914275116]
  Face Anti-Spoofing (FAS) は、顔認識システムをプレゼンテーション攻撃から保護するために重要である。 本稿では,テストデータを活用してモデルの一般化性を高める新しいテスト時間領域一般化フレームワークについて紹介する。 テスト時間スタイル投影 (TTSP) とディバーススタイルシフトシミュレーション (DSSS) によって構成された本手法は, 目に見えないデータを領域空間に効果的に投影する。
  論文  参考訳（メタデータ） (2024-03-28T11:50:23Z)
• Domain-Adaptive Learning: Unsupervised Adaptation for Histology Images with Improved Loss Function Combination [3.004632712148892]
  本稿では,H&E染色組織像を対象とした非教師なし領域適応(UDA)のための新しいアプローチを提案する。 本手法では, 組織像に特有の課題に対処するために, 慎重に選択された既存の損失関数とともに, 新たな損失関数を提案する。 提案手法は, 組織像の最先端技術を超え, 精度, 堅牢性, 一般化の面で広く評価されている。
  論文  参考訳（メタデータ） (2023-09-29T12:11:16Z)
• Amplitude Spectrum Transformation for Open Compound Domain Adaptive Semantic Segmentation [62.68759523116924]
  オープン化合物ドメイン適応(OCDA)は、実用的な適応セットとして現れている。 我々は、新しい特徴空間振幅スペクトル変換(AST)を提案する。
  論文  参考訳（メタデータ） (2022-02-09T05:40:34Z)
• Deep Semantic Matching with Foreground Detection and Cycle-Consistency [103.22976097225457]
  深層ネットワークに基づく弱い教師付きセマンティックマッチングに対処する。 本研究では,背景乱れの影響を抑えるために,前景領域を明示的に推定する。 複数の画像にまたがって予測変換を強制し、幾何的に可視かつ一貫したサイクル一貫性の損失を発生させる。
  論文  参考訳（メタデータ） (2020-03-31T22:38:09Z)

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。