論文の概要: Adapting Medical Vision Foundation Models for Volumetric Medical Image Segmentation via Active Learning and Selective Semi-supervised Fine-tuning

• arxiv url: http://arxiv.org/abs/2509.10784v1
• Date: Sat, 13 Sep 2025 02:05:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:22.777399
• Title: Adapting Medical Vision Foundation Models for Volumetric Medical Image Segmentation via Active Learning and Selective Semi-supervised Fine-tuning
• Title（参考訳）: アクティブラーニングと半教師付き微調整によるボリューム医用画像分割のための医用ビジョン基礎モデルの適用
• Authors: Jin Yang, Daniel S. Marcus, Aristeidis Sotiras,
• Abstract要約: 医療ビジョンファウンデーションモデル(Med-VFM)は医療画像の解釈能力に優れる。 適応的な下流評価、特にセグメンテーションにおける性能を改善するために、ターゲット領域からのサンプルをランダムに選択する。 本稿では,Med-VFMをターゲットドメインに効率よく適応させるために,ASFDA(Active Source-Free Domain Adaptation)法を提案する。
• 参考スコア（独自算出の注目度）: 8.531167314144522
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical Vision Foundation Models (Med-VFMs) have superior capabilities of interpreting medical images due to the knowledge learned from self-supervised pre-training with extensive unannotated images. To improve their performance on adaptive downstream evaluations, especially segmentation, a few samples from target domains are selected randomly for fine-tuning them. However, there lacks works to explore the way of adapting Med-VFMs to achieve the optimal performance on target domains efficiently. Thus, it is highly demanded to design an efficient way of fine-tuning Med-VFMs by selecting informative samples to maximize their adaptation performance on target domains. To achieve this, we propose an Active Source-Free Domain Adaptation (ASFDA) method to efficiently adapt Med-VFMs to target domains for volumetric medical image segmentation. This ASFDA employs a novel Active Learning (AL) method to select the most informative samples from target domains for fine-tuning Med-VFMs without the access to source pre-training samples, thus maximizing their performance with the minimal selection budget. In this AL method, we design an Active Test Time Sample Query strategy to select samples from the target domains via two query metrics, including Diversified Knowledge Divergence (DKD) and Anatomical Segmentation Difficulty (ASD). DKD is designed to measure the source-target knowledge gap and intra-domain diversity. It utilizes the knowledge of pre-training to guide the querying of source-dissimilar and semantic-diverse samples from the target domains. ASD is designed to evaluate the difficulty in segmentation of anatomical structures by measuring predictive entropy from foreground regions adaptively. Additionally, our ASFDA method employs a Selective Semi-supervised Fine-tuning to improve the performance and efficiency of fine-tuning by identifying samples with high reliability from unqueried ones.
• Abstract（参考訳）: 医用ビジョンファウンデーションモデル(Med-VFM)は、広範囲な無注釈画像による自己教師付き事前訓練から学んだ知識により、医用画像の解釈能力に優れる。 適応的な下流評価、特にセグメンテーションにおける性能を改善するため、ターゲット領域からのサンプルをランダムに選択して微調整する。 しかし、Med-VFMの適応方法を探る作業が不足しているため、ターゲットドメイン上での最適な性能を実現することができる。 したがって、ターゲット領域への適応性能を最大化するために、情報的サンプルを選択することで、MDD-VFMの微調整を効率的に行う方法の設計が求められている。 そこで本研究では,Med-VFMをターゲット領域に効率よく適応させる能動音源自由領域適応法(ASFDA)を提案する。 このASFDAは、新たなActive Learning (AL)メソッドを使用して、ソース事前学習サンプルへのアクセスを必要とせずに、ターゲットドメインから最も情報性の高いサンプルを選択し、最小選択予算でパフォーマンスを最大化する。 本手法では,DKD(Diversified Knowledge Divergence)とASD(Anatomical Segmentation Difficulty)という2つのクエリメトリクスを用いて,対象ドメインからサンプルを選択するためのアクティブテスト時間サンプルクエリ戦略を設計する。 DKDは、ソースターゲットの知識ギャップとドメイン内多様性を測定するように設計されている。 事前学習の知識を利用して、対象ドメインからのソース・異種・意味・多種多様なサンプルのクエリを誘導する。 ASDは、前景領域からの予測エントロピーを適応的に測定することにより、解剖学的構造のセグメンテーションの困難さを評価するように設計されている。 さらに,ASFDA法ではSelective Semi-supervised Fine-tuningを用いて,未処理試料から高い信頼性の試料を同定することにより,微調整の性能と効率を向上させる。

関連論文リスト

• An Uncertainty-guided Tiered Self-training Framework for Active Source-free Domain Adaptation in Prostate Segmentation [10.061310311839856]
  Source-free Domain Adaptation (SFDA)は、プライバシとセキュリティ上の問題に対処するために、深いセグメンテーションモデルを適用するための有望なテクニックである。 安定したドメイン適応を実現するための新しい不確実性誘導型自己学習(UGTST)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-03T08:13:16Z)
• DG-TTA: Out-of-domain Medical Image Segmentation through Augmentation and Descriptor-driven Domain Generalization and Test-Time Adaptation [43.842694540544194]
  ドメイン外の画像に事前訓練された深層学習セグメンテーションモデルを適用すると、品質の不足を予測できる。 本研究では、拡張とともに強力な一般化記述子を用いて、ドメイン一般化事前学習とテスト時間適応を実現することを提案する。
  論文  参考訳（メタデータ） (2023-12-11T10:26:21Z)
• Subject-Based Domain Adaptation for Facial Expression Recognition [51.10374151948157]
  ディープラーニングモデルを特定の対象個人に適用することは、難しい表情認識タスクである。 本稿では、FERにおける主観的ドメイン適応のための新しいMSDA手法を提案する。 複数の情報源からの情報を効率的に利用して、ディープFERモデルを単一のターゲット個人に適応させる。
  論文  参考訳（メタデータ） (2023-12-09T18:40:37Z)
• Consistency Regularization for Generalizable Source-free Domain Adaptation [62.654883736925456]
  ソースフリードメイン適応(source-free domain adapt, SFDA)は、ソースデータセットにアクセスすることなく、十分にトレーニングされたソースモデルを未学習のターゲットドメインに適応することを目的としている。 既存のSFDAメソッドは、ターゲットのトレーニングセット上で適用されたモデルを評価し、目に見えないが同一の分散テストセットからデータを無視する。 より一般化可能なSFDA法を開発するための整合正則化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-03T07:45:53Z)
• Open-Set Domain Adaptation with Visual-Language Foundation Models [51.49854335102149]
  非教師なしドメイン適応(UDA)は、ソースドメインからラベルのないデータを持つターゲットドメインへの知識の転送に非常に効果的であることが証明されている。 オープンセットドメイン適応(ODA)は、トレーニングフェーズ中にこれらのクラスを識別する潜在的なソリューションとして登場した。
  論文  参考訳（メタデータ） (2023-07-30T11:38:46Z)
• Source-Free Domain Adaptation for Medical Image Segmentation via Prototype-Anchored Feature Alignment and Contrastive Learning [57.43322536718131]
  医用画像セグメンテーションのための2段階のソースフリードメイン適応(SFDA)フレームワークを提案する。 プロトタイプアンコールされた特徴アライメントの段階では,まず,事前学習した画素ワイド分類器の重みを原プロトタイプとして利用する。 そこで,本研究では,目標となる特徴とクラスプロトタイプとの整合性を期待するコストを最小化し,双方向輸送を導入する。
  論文  参考訳（メタデータ） (2023-07-19T06:07:12Z)
• IDA: Informed Domain Adaptive Semantic Segmentation [51.12107564372869]
  クラスレベルのセグメンテーション性能に基づいてデータを混合する自己学習フレームワークであるDomain Informed Adaptation (IDA) モデルを提案する。 IDAモデルでは、クラスレベルの性能を期待信頼スコア(ECS)によって追跡し、動的スケジュールを用いて異なる領域のデータに対する混合比を決定する。 提案手法は,GTA-Vの都市景観への適応において1.1 mIoU,SynTHIAの都市への適応において0.9 mIoUのマージンで,最先端のUDA-SS法よりも優れる。
  論文  参考訳（メタデータ） (2023-03-05T18:16:34Z)

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。