論文の概要: COME: Dual Structure-Semantic Learning with Collaborative MoE for Universal Lesion Detection Across Heterogeneous Ultrasound Datasets

• arxiv url: http://arxiv.org/abs/2508.09886v1
• Date: Wed, 13 Aug 2025 15:43:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-14 20:42:00.944497
• Title: COME: Dual Structure-Semantic Learning with Collaborative MoE for Universal Lesion Detection Across Heterogeneous Ultrasound Datasets
• Title（参考訳）: COME:異種超音波データセット間のユニバーサル病変検出のための協調型MoEを用いた二重構造セマンティック学習
• Authors: Lingyu Chen, Yawen Zeng, Yue Wang, Peng Wan, Guo-chen Ning, Hongen Liao, Daoqiang Zhang, Fang Chen,
• Abstract要約: 異種ソース特化専門家(COME)のユニバーサルコラボレーションミックスを提案する。 COMEは、普遍的な表現空間を創り出し、ソース固有の専門家と協力して差別的特徴を抽出する、二重構造セマンティックな共有専門家を確立する。 この設計は、データセット間のエクスペリエンス分布を活用し、小さなバッチや目に見えないデータシナリオに普遍的なUSプリエントを提供することで、堅牢な一般化を可能にする。
• 参考スコア（独自算出の注目度）: 25.82307075214309
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conventional single-dataset training often fails with new data distributions, especially in ultrasound (US) image analysis due to limited data, acoustic shadows, and speckle noise. Therefore, constructing a universal framework for multi-heterogeneous US datasets is imperative. However, a key challenge arises: how to effectively mitigate inter-dataset interference while preserving dataset-specific discriminative features for robust downstream task? Previous approaches utilize either a single source-specific decoder or a domain adaptation strategy, but these methods experienced a decline in performance when applied to other domains. Considering this, we propose a Universal Collaborative Mixture of Heterogeneous Source-Specific Experts (COME). Specifically, COME establishes dual structure-semantic shared experts that create a universal representation space and then collaborate with source-specific experts to extract discriminative features through providing complementary features. This design enables robust generalization by leveraging cross-datasets experience distributions and providing universal US priors for small-batch or unseen data scenarios. Extensive experiments under three evaluation modes (single-dataset, intra-organ, and inter-organ integration datasets) demonstrate COME's superiority, achieving significant mean AP improvements over state-of-the-art methods. Our project is available at: https://universalcome.github.io/UniversalCOME/.
• Abstract（参考訳）: 従来の単一データセットトレーニングは、特に限られたデータ、音響影、スペックルノイズによる超音波(US)画像解析において、新しいデータ分布で失敗することが多い。 したがって、多元性米国データセットのための普遍的なフレームワークを構築することは必須である。 しかし、重要な課題は、データセット間の干渉を効果的に軽減し、データセット固有の差別的特徴を堅牢な下流タスクのために保持する方法である。 従来のアプローチでは、ソース固有のデコーダとドメイン適応戦略のいずれかを使用していたが、これらの手法は他のドメインに適用すると性能が低下する。 これを考慮し、異種源特化専門家(COME)のユニバーサル・コラボレーティブ・ミックスを提案する。 特に、COMEは、普遍的な表現空間を創り出し、ソース固有の専門家と協力し、相補的な特徴を提供することで差別的特徴を抽出する、二重構造意味の共有専門家を確立する。 この設計は、データセット間のエクスペリエンス分布を活用し、小さなバッチや目に見えないデータシナリオに普遍的なUSプリエントを提供することで、堅牢な一般化を可能にする。 3つの評価モード(単一データセット、組織内、組織間統合データセット)の下での大規模な実験は、COMEの優位性を示し、最先端の手法よりもAPの大幅な改善を実現している。 私たちのプロジェクトは、https://universalcome.github.io/UniversalCOME/で利用可能です。

関連論文リスト

• Uni$^2$Det: Unified and Universal Framework for Prompt-Guided Multi-dataset 3D Detection [64.08296187555095]
  Uni$2$Detは3D検出のための統一的で普遍的なマルチデータセットトレーニングのためのフレームワークである。 マルチデータセット3D検出のためのマルチステージプロンプトモジュールを提案する。 ゼロショットクロスデータセット転送の結果は,提案手法の一般化能力を検証する。
  論文  参考訳（メタデータ） (2024-09-30T17:57:50Z)
• On-Device Collaborative Language Modeling via a Mixture of Generalists and Specialists [34.018740224268576]
  CoMiGSは、少ないデータでデバイス上でプライベートな学習を容易にする新しいアプローチである。 さまざまな専門家をローカライズしながら、ユーザ間でジェネラリストの専門家のバランスをとる。 トークン生成毎に,CoMiGSは一般的な知識とパーソナライズされた知識のバランスを効果的に表す。
  論文  参考訳（メタデータ） (2024-09-20T22:34:37Z)
• Cross-Dataset Gaze Estimation by Evidential Inter-intra Fusion [38.93368421481945]
  クロスデータセットモデルをトレーニングするための新しいEvidential Inter-Intra Fusion EIFフレームワークを提案する。 さまざまなデータセットに対して独立した単一データセットのブランチを構築します。 さらに、単一データセットのブランチから一般化可能な機能を統合するために、クロスデータセットのブランチを作成します。
  論文  参考訳（メタデータ） (2024-09-07T08:53:17Z)
• ARC: A Generalist Graph Anomaly Detector with In-Context Learning [62.202323209244]
  ARCは汎用的なGADアプローチであり、一対一のGADモデルで様々なグラフデータセットの異常を検出することができる。 ARCはコンテキスト内学習を備えており、ターゲットデータセットからデータセット固有のパターンを直接抽出することができる。 各種領域からの複数のベンチマークデータセットに対する大規模な実験は、ARCの優れた異常検出性能、効率、一般化性を示す。
  論文  参考訳（メタデータ） (2024-05-27T02:42:33Z)
• Source-Free Collaborative Domain Adaptation via Multi-Perspective Feature Enrichment for Functional MRI Analysis [55.03872260158717]
  安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。 ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。 しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。 我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
  論文  参考訳（メタデータ） (2023-08-24T01:30:18Z)
• FedSIS: Federated Split Learning with Intermediate Representation Sampling for Privacy-preserving Generalized Face Presentation Attack Detection [4.1897081000881045]
  目に見えないドメイン/アタックへの一般化の欠如は、FacePAD(face presentation attack detection)アルゴリズムのアキレスヒールである。 本研究では、プライバシ保護ドメインの一般化のために、中間表現サンプリング(FedSIS)を用いたFederated Split Learningと呼ばれる新しいフレームワークを導入する。
  論文  参考訳（メタデータ） (2023-08-20T11:49:12Z)
• DRFLM: Distributionally Robust Federated Learning with Inter-client Noise via Local Mixup [58.894901088797376]
  連合学習は、生データをリークすることなく、複数の組織のデータを使用してグローバルモデルをトレーニングするための有望なアプローチとして登場した。 上記の2つの課題を同時に解決するための一般的な枠組みを提案する。 我々は、ロバストネス解析、収束解析、一般化能力を含む包括的理論的解析を提供する。
  論文  参考訳（メタデータ） (2022-04-16T08:08:29Z)
• Shared Space Transfer Learning for analyzing multi-site fMRI data [83.41324371491774]
  マルチボクセルパターン解析(MVPA)は、タスクベース機能磁気共鳴画像(fMRI)データから予測モデルを学習する。 MVPAはよく設計された機能セットと十分なサンプルサイズで機能する。 ほとんどのfMRIデータセットはノイズが多く、高次元で、収集するのに高価で、サンプルサイズも小さい。 本稿では,新しい伝達学習手法として共有空間移動学習(SSTL)を提案する。
  論文  参考訳（メタデータ） (2020-10-24T08:50:26Z)

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。