論文の概要: MAUP: Training-free Multi-center Adaptive Uncertainty-aware Prompting for Cross-domain Few-shot Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2508.03511v1
• Date: Tue, 05 Aug 2025 14:37:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-06 18:18:56.019397
• Title: MAUP: Training-free Multi-center Adaptive Uncertainty-aware Prompting for Cross-domain Few-shot Medical Image Segmentation
• Title（参考訳）: MAUP:クロスドメインFew-shot医療画像分割のための訓練不要なマルチセンター適応型不確かさ認識プロンプト
• Authors: Yazhou Zhu, Haofeng Zhang,
• Abstract要約: クロスドメインFew-shot Medical Image (CD-FSMIS) は、他のドメインからの知識を用いて、限られたアノテーションで医療画像をセグメント化するための潜在的ソリューションである。 マルチセンター適応不確実性認識プロンプティング(MAUP)戦略を導入する訓練不要CD-FSMISモデルを提案する。
• 参考スコア（独自算出の注目度）: 18.498009757013644
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cross-domain Few-shot Medical Image Segmentation (CD-FSMIS) is a potential solution for segmenting medical images with limited annotation using knowledge from other domains. The significant performance of current CD-FSMIS models relies on the heavily training procedure over other source medical domains, which degrades the universality and ease of model deployment. With the development of large visual models of natural images, we propose a training-free CD-FSMIS model that introduces the Multi-center Adaptive Uncertainty-aware Prompting (MAUP) strategy for adapting the foundation model Segment Anything Model (SAM), which is trained with natural images, into the CD-FSMIS task. To be specific, MAUP consists of three key innovations: (1) K-means clustering based multi-center prompts generation for comprehensive spatial coverage, (2) uncertainty-aware prompts selection that focuses on the challenging regions, and (3) adaptive prompt optimization that can dynamically adjust according to the target region complexity. With the pre-trained DINOv2 feature encoder, MAUP achieves precise segmentation results across three medical datasets without any additional training compared with several conventional CD-FSMIS models and training-free FSMIS model. The source code is available at: https://github.com/YazhouZhu19/MAUP.
• Abstract（参考訳）: クロスドメインFew-shot Medical Image Segmentation (CD-FSMIS)は、他のドメインからの知識を用いて、限られたアノテーションで医療画像をセグメント化するための潜在的ソリューションである。 現在のCD-FSMISモデルの大幅な性能は、モデル展開の普遍性と容易性を低下させる、他のソース医療領域よりも厳しい訓練手順に依存している。 そこで本研究では,自然画像の大規模視覚モデルを開発することにより,CD-FSMISタスクに,自然画像を用いてトレーニングしたSAMを適応させるためのマルチセンター適応不確実性認識プロンプト(MAUP)戦略を導入する,訓練不要なCD-FSMISモデルを提案する。 具体的には、(1)K平均クラスタリングに基づくマルチセンタープロンプトは、包括的空間カバレッジのための生成を促す、(2)不確実性認識は、挑戦する領域に焦点を当てた選択を促す、(3)ターゲット領域の複雑さに応じて動的に調整可能な適応的プロンプト最適化である。 事前訓練されたDINOv2機能エンコーダにより、MAUPは既存のCD-FSMISモデルやトレーニング不要なFSMISモデルと比較して、追加のトレーニングなしで3つの医療データセットの正確なセグメンテーション結果を達成する。 ソースコードは、https://github.com/YazhouZhu19/MAUP.comで入手できる。

関連論文リスト

• Multimodal Causal-Driven Representation Learning for Generalizable Medical Image Segmentation [56.52520416420957]
  医用画像セグメンテーションにおける領域一般化に取り組むために, MCDRL(Multimodal Causal-Driven Representation Learning)を提案する。 MCDRLは競合する手法より一貫して優れ、セグメンテーション精度が優れ、堅牢な一般化性を示す。
  論文  参考訳（メタデータ） (2025-08-07T03:41:41Z)
• MedBridge: Bridging Foundation Vision-Language Models to Medical Image Diagnosis [10.082738539201804]
  最近の視覚言語基盤モデルは、自然画像分類の最先端結果を提供するが、ドメインシフトによる医用画像に干渉する。 MedBridgeは,医用画像の正確な診断のためにトレーニング済みのVLMを再利用した,軽量なマルチモーダル適応フレームワークである。 MedBridgeはマルチラベル胸部疾患の診断において最先端のVLM適応法と比較して6～15%改善した。
  論文  参考訳（メタデータ） (2025-05-27T19:37:51Z)
• Large Language Models for Multimodal Deformable Image Registration [50.91473745610945]
  そこで本研究では,様々な医用画像からの深い特徴の整合を図るために,新しい粗いMDIRフレームワークLLM-Morphを提案する。 具体的には、まずCNNエンコーダを用いて、クロスモーダル画像ペアから深い視覚的特徴を抽出し、次に、最初のアダプタを使ってこれらのトークンを調整する。 第3に、トークンのアライメントのために、他の4つのアダプタを使用して、LLM符号化トークンをマルチスケールの視覚特徴に変換し、マルチスケールの変形場を生成し、粗いMDIRタスクを容易にする。
  論文  参考訳（メタデータ） (2024-08-20T09:58:30Z)
• Retrieval-augmented Few-shot Medical Image Segmentation with Foundation Models [17.461510586128874]
  本稿では,DINOv2 と Segment Anything Model 2 を併用して,画像の検索を行う手法を提案する。 我々のアプローチでは、DINOv2の機能をクエリとして使用し、制限付きアノテートデータから類似したサンプルを検索し、それをメモリバンクにエンコードする。
  論文  参考訳（メタデータ） (2024-08-16T15:48:07Z)
• NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
  本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。 様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
  論文  参考訳（メタデータ） (2024-03-27T02:42:52Z)
• Partition-A-Medical-Image: Extracting Multiple Representative Sub-regions for Few-shot Medical Image Segmentation [23.926487942901872]
  Few-shot Medical Image (FSMIS)は、医療画像セグメンテーションタスクのための、より有望なソリューションである。 支援医療画像から複数のサブリージョンを抽出する手法を提案する。 次に,2方向除去機構に基づく新しいPRD(Prototypeal Representation Debiasing)モジュールを提案する。
  論文  参考訳（メタデータ） (2023-09-20T09:31:57Z)
• Training Data Protection with Compositional Diffusion Models [99.46239561159953]
  比較拡散モデル(CDM)は、異なるデータソース上で異なる拡散モデル(またはプロンプト)を訓練する手法である。 個々のモデルは、独立した、異なるタイミングで、異なる分散とドメインでトレーニングすることができる。 各モデルには、トレーニング中に露出したデータのサブセットに関する情報のみが含まれており、いくつかの形式のトレーニングデータ保護を可能にする。
  論文  参考訳（メタデータ） (2023-08-02T23:27:49Z)
• Interpretable Small Training Set Image Segmentation Network Originated from Multi-Grid Variational Model [5.283735137946097]
  深層学習法 (DL) が提案され, 画像分割に広く利用されている。 DLメソッドは通常、トレーニングデータとして大量の手動セグメントデータを必要とし、解釈性に乏しい。 本稿では,MSモデルにおける手作り正則項をデータ適応型一般化可学習正則項に置き換える。
  論文  参考訳（メタデータ） (2023-06-25T02:34:34Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• ImUnity: a generalizable VAE-GAN solution for multicenter MR image harmonization [0.0]
  ImUnityは、効率よく柔軟なMR画像調和のために設計された、オリジナルのディープラーニングモデルである。 VAE-GANネットワークは、混乱モジュールとオプションの生物学的保存モジュールとを結合し、トレーニングデータベースの各対象の異なる解剖学的位置から採取された複数の2Dスライスを使用する。 最終的に、様々なマルチセンター集団研究に使用できる「補正された」MR画像を生成する。
  論文  参考訳（メタデータ） (2021-09-14T15:21:19Z)
• Learning Deformable Image Registration from Optimization: Perspective, Modules, Bilevel Training and Beyond [62.730497582218284]
  マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。 我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
  論文  参考訳（メタデータ） (2020-04-30T03:23:45Z)

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。