論文の概要: Sample-Aware Test-Time Adaptation for Medical Image-to-Image Translation

• arxiv url: http://arxiv.org/abs/2508.00766v1
• Date: Fri, 01 Aug 2025 16:41:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-04 18:08:53.961799
• Title: Sample-Aware Test-Time Adaptation for Medical Image-to-Image Translation
• Title（参考訳）: 医用画像翻訳のためのサンプル認識テスト時間適応
• Authors: Irene Iele, Francesco Di Feola, Valerio Guarrasi, Paolo Soda,
• Abstract要約: 画像から画像への変換は医用画像の強力な技術として登場し、画像の認知やモダリティ変換といったタスクを可能にしている。 パフォーマンスを低下させることなく、アウト・オブ・ディストリビューションのサンプルを扱う際の制限に悩まされる。 本稿では,各テストサンプルの特性に基づいて動的に翻訳プロセスを調整する新しいテスト時間適応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）: 0.9349653765341301
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Image-to-image translation has emerged as a powerful technique in medical imaging, enabling tasks such as image denoising and cross-modality conversion. However, it suffers from limitations in handling out-of-distribution samples without causing performance degradation. To address this limitation, we propose a novel Test-Time Adaptation (TTA) framework that dynamically adjusts the translation process based on the characteristics of each test sample. Our method introduces a Reconstruction Module to quantify the domain shift and a Dynamic Adaptation Block that selectively modifies the internal features of a pretrained translation model to mitigate the shift without compromising the performance on in-distribution samples that do not require adaptation. We evaluate our approach on two medical image-to-image translation tasks: low-dose CT denoising and T1 to T2 MRI translation, showing consistent improvements over both the baseline translation model without TTA and prior TTA methods. Our analysis highlights the limitations of the state-of-the-art that uniformly apply the adaptation to both out-of-distribution and in-distribution samples, demonstrating that dynamic, sample-specific adjustment offers a promising path to improve model resilience in real-world scenarios. The code is available at: https://github.com/cosbidev/Sample-Aware_TTA.
• Abstract（参考訳）: 画像から画像への変換は医用画像の強力な技術として登場し、画像の認知やモダリティ変換といったタスクを可能にしている。 しかし、パフォーマンスを低下させることなく、アウト・オブ・ディストリビューションのサンプルを扱う際の制限に悩まされる。 この制限に対処するために、各テストサンプルの特性に基づいて翻訳プロセスを動的に調整する新しいテスト時間適応(TTA)フレームワークを提案する。 本手法では,ドメインシフトを定量化するための再構成モジュールと,事前学習した翻訳モデルの内部特徴を選択的に修正し,適応を必要としない分布内サンプルの性能を損なうことなく,シフトを緩和する動的適応ブロックを導入する。 我々は,低用量CTとT1からT2のMRIの2つの画像変換タスクに対するアプローチを評価し,TTAのないベースライン翻訳モデルと,それ以前のTTA法の双方に対して一貫した改善が見られた。 分析では,分布外と分布内の両方に一様に適用する最先端の限界を強調し,動的,サンプル特異的な調整が現実のシナリオにおけるモデルレジリエンスを改善するための有望な経路を提供することを示した。 コードは、https://github.com/cosbidev/Sample-Aware_TTAで入手できる。

関連論文リスト

• F^2TTA: Free-Form Test-Time Adaptation on Cross-Domain Medical Image Classification via Image-Level Disentangled Prompt Tuning [18.58261691911925]
  TTA(Test-Time Adaptation)は、未ラベルのテストデータを使用して、未表示の医療現場にソースモデルを適用するための有望なソリューションとして登場した。 本稿では,F$2$TTA(Fif-Form Test-Time Adaptation)タスクについて検討する。
  論文  参考訳（メタデータ） (2025-07-03T08:50:56Z)
• Stable Flow: Vital Layers for Training-Free Image Editing [74.52248787189302]
  拡散モデルはコンテンツ合成と編集の分野に革命をもたらした。 最近のモデルでは、従来のUNetアーキテクチャをDiffusion Transformer (DiT)に置き換えている。 画像形成に欠かせないDiT内の「硝子層」を自動同定する手法を提案する。 次に、実画像編集を可能にするために、フローモデルのための改良された画像反転手法を提案する。
  論文  参考訳（メタデータ） (2024-11-21T18:59:51Z)
• Medical Image Segmentation with InTEnt: Integrated Entropy Weighting for Single Image Test-Time Adaptation [6.964589353845092]
  テスト時間適応(TTA)とは、テスト中にトレーニングされたモデルを新しいドメインに適応させることである。 そこで本研究では,単一の未ラベルテスト画像のみを用いて,医用画像分割モデルを適用することを提案する。 提案手法は, 平均2.9%のDice係数で, 3つの医用画像データセットにまたがる24のソース/ターゲット領域に分割して検証した。
  論文  参考訳（メタデータ） (2024-02-14T22:26:07Z)
• MirrorDiffusion: Stabilizing Diffusion Process in Zero-shot Image Translation by Prompts Redescription and Beyond [57.14128305383768]
  拡散モデル(MirrorDiffusion)における音源と再構成画像のミラー効果を実現するための素早い再記述手法を提案する。 MirrorDiffusionはゼロショット画像変換ベンチマークの最先端手法よりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2024-01-06T14:12:16Z)
• What a Whole Slide Image Can Tell? Subtype-guided Masked Transformer for Pathological Image Captioning [6.496515352848627]
  本稿では,トランスフォーマに基づく病的キャプションのためのサブタイプ誘導型マスケプテッドトランス (SGMT) を提案する。 SGMTに付随するサブタイプ予測を導入し、トレーニングプロセスをガイドし、キャプション精度を高める。 PatchGastricADC22データセットの実験は、我々のアプローチがトランスフォーマーベースのモデルでタスクに効果的に適応することを実証している。
  論文  参考訳（メタデータ） (2023-10-31T16:43:03Z)
• Improving Diffusion-based Image Translation using Asymmetric Gradient Guidance [51.188396199083336]
  非対称勾配法の適用により拡散サンプリングの逆過程を導出する手法を提案する。 我々のモデルの適応性は、画像融合モデルと潜時拡散モデルの両方で実装できる。 実験により,本手法は画像翻訳タスクにおいて,様々な最先端モデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-06-07T12:56:56Z)
• Tackling Ambiguity with Images: Improved Multimodal Machine Translation and Contrastive Evaluation [72.6667341525552]
  本稿では,ニューラルアダプターとガイド付き自己注意機構を用いた,強いテキストのみのMTモデルに基づく新しいMT手法を提案する。 また,不明瞭な文とその翻訳が可能なコントラスト型多モーダル翻訳評価セットであるCoMMuTEについても紹介する。 提案手法は, 標準英語-フランス語, 英語-ドイツ語, 英語-チェコ語のベンチマークにおいて, 強いテキストのみのモデルと比較して, 競争力のある結果が得られる。
  論文  参考訳（メタデータ） (2022-12-20T10:18:18Z)
• DLTTA: Dynamic Learning Rate for Test-time Adaptation on Cross-domain Medical Images [56.72015587067494]
  DLTTAと呼ばれるテスト時間適応のための新しい動的学習率調整法を提案する。 本手法は,現在最先端のテスト時間適応法よりも一貫した性能向上を図り,有効かつ高速なテスト時間適応を実現する。
  論文  参考訳（メタデータ） (2022-05-27T02:34:32Z)
• Smoothing the Disentangled Latent Style Space for Unsupervised Image-to-Image Translation [56.55178339375146]
  イメージ・ツー・イメージ(I2I)マルチドメイン翻訳モデルは通常、セマンティックな結果の品質を用いて評価される。 本稿では,翻訳ネットワークがスムーズでゆがみのあるラテントスタイル空間を学習するのに役立つ,3つの特定の損失に基づく新たなトレーニングプロトコルを提案する。
  論文  参考訳（メタデータ） (2021-06-16T17:58:21Z)
• A Hierarchical Transformation-Discriminating Generative Model for Few Shot Anomaly Detection [93.38607559281601]
  各トレーニングイメージのマルチスケールパッチ分布をキャプチャする階層的生成モデルを開発した。 この異常スコアは、スケール及び画像領域にわたる正しい変換のパッチベースの投票を集約して得られる。
  論文  参考訳（メタデータ） (2021-04-29T17:49:48Z)
• Content-Preserving Unpaired Translation from Simulated to Realistic Ultrasound Images [12.136874314973689]
  本稿では,シミュレーション画像と実画像の出現ギャップを橋渡しする新しい画像翻訳フレームワークを提案する。 この目的を達成するために,シミュレートされた画像とセマンティックセグメンテーションを併用する。
  論文  参考訳（メタデータ） (2021-03-09T22:35:43Z)

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。