論文の概要: EWC-Guided Diffusion Replay for Exemplar-Free Continual Learning in Medical Imaging

• arxiv url: http://arxiv.org/abs/2509.23906v1
• Date: Sun, 28 Sep 2025 14:23:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.52387
• Title: EWC-Guided Diffusion Replay for Exemplar-Free Continual Learning in Medical Imaging
• Title（参考訳）: EWC-Guided Diffusion Replay for Exemplar-free Continual Learning in Medical Imaging (特集 情報ネットワーク)
• Authors: Anoushka Harit, William Prew, Zhongtian Sun, Florian Markowetz,
• Abstract要約: 患者を記憶しない継続的学習フレームワークを提案する。 コンパクトなVision Transformerバックボーンを用いて、8つのMedMNIST v2タスクとCheXpertを評価した。 その結果,臨床画像モデルの拡張性,プライバシに配慮した継続的適応のための実践的経路が示唆された。
• 参考スコア（独自算出の注目度）: 1.8199326045904998
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Medical imaging foundation models must adapt over time, yet full retraining is often blocked by privacy constraints and cost. We present a continual learning framework that avoids storing patient exemplars by pairing class conditional diffusion replay with Elastic Weight Consolidation. Using a compact Vision Transformer backbone, we evaluate across eight MedMNIST v2 tasks and CheXpert. On CheXpert our approach attains 0.851 AUROC, reduces forgetting by more than 30\% relative to DER\texttt{++}, and approaches joint training at 0.869 AUROC, while remaining efficient and privacy preserving. Analyses connect forgetting to two measurable factors: fidelity of replay and Fisher weighted parameter drift, highlighting the complementary roles of replay diffusion and synaptic stability. The results indicate a practical route for scalable, privacy aware continual adaptation of clinical imaging models.
• Abstract（参考訳）: 医療画像基礎モデルは時間とともに適応しなければならないが、完全なリトレーニングはプライバシーの制約とコストによってブロックされることが多い。 本稿では,Elastic Weight Consolidationとペアリングした条件付き拡散リプレイにより,患者の経験を保存しない継続的学習フレームワークを提案する。 コンパクトなVision Transformerバックボーンを用いて、8つのMedMNIST v2タスクとCheXpertを評価した。 CheXpertでは、私たちのアプローチは0.851 AUROCに達し、DER\texttt{++}と比較して30%以上忘れを減らし、0.869 AUROCでのジョイントトレーニングに近づき、効率的でプライバシ保護を維持しています。 分析は、リプレイの忠実さとフィッシャー重み付きパラメータドリフトの2つの測定可能な要因を忘れることと、リプレイ拡散とシナプス安定性の相補的な役割を強調する。 その結果,臨床画像モデルの拡張性,プライバシに配慮した継続的適応のための実践的経路が示唆された。

関連論文リスト

• Improved mmFormer for Liver Fibrosis Staging via Missing-Modality Compensation [8.687370165870613]
  本稿では,mmFormerアーキテクチャをベースとしたマルチモーダルMRI分類モデルを提案する。 本手法は,Real-world 医療画像の総合解析・計算テストセット(CARE 2025 Challenge)に基づいて評価する。 In-distribution vendors におけるCirrhosis Detection と Substantial Fibrosis Detection では,66.67% と74.17% の精度を示し,AUC では 71.73% と68.48% の精度を示した。
  論文  参考訳（メタデータ） (2025-09-19T21:31:05Z)
• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• Lightweight Relational Embedding in Task-Interpolated Few-Shot Networks for Enhanced Gastrointestinal Disease Classification [0.0]
  大腸癌の検出は、患者の生存率を高めるために重要である。 大腸内視鏡は、適切な高品質の内視鏡画像を取得することに依存する。 Few-Shot Learning アーキテクチャにより、我々のモデルは、目に見えないきめ細かな内視鏡画像パターンに迅速に適応できる。 精度は90.1%,精度は0.845,リコールは0.942,F1スコアは0.891であった。
  論文  参考訳（メタデータ） (2025-05-30T16:54:51Z)
• Improving Vector-Quantized Image Modeling with Latent Consistency-Matching Diffusion [55.185588994883226]
  VQ-LCMDは、学習を安定させる埋め込み空間内の連続空間潜在拡散フレームワークである。 VQ-LCMDは、関節埋め込み拡散変動下界と整合整合性(CM)損失を組み合わせた新しいトレーニング目標を使用する。 実験により,提案したVQ-LCMDは離散状態潜伏拡散モデルと比較して,FFHQ,LSUN教会,LSUNベッドルームにおいて優れた結果が得られることが示された。
  論文  参考訳（メタデータ） (2024-10-18T09:12:33Z)
• Distribution-Aware Replay for Continual MRI Segmentation [6.3591338382188916]
  本稿では,機能の自動エンコーディングによる忘れを緩和する分散対応リプレイ戦略を提案する。 海馬と前立腺MRIのセグメンテーションにおける経験的コロンボレーションについて検討した。
  論文  参考訳（メタデータ） (2024-07-30T21:59:02Z)
• A Federated Learning Framework for Stenosis Detection [70.27581181445329]
  本研究は,冠動脈造影画像(CA)の狭窄検出におけるFL(Federated Learning)の使用について検討した。 アンコナのOspedale Riuniti(イタリア)で取得した200人の患者1219枚の画像を含む2施設の異種データセットについて検討した。 データセット2には、文献で利用可能な90人の患者からの7492のシーケンシャルな画像が含まれている。
  論文  参考訳（メタデータ） (2023-10-30T11:13:40Z)
• Self-supervised contrastive learning of echocardiogram videos enables label-efficient cardiac disease diagnosis [48.64462717254158]
  心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。 左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。 EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
  論文  参考訳（メタデータ） (2022-07-23T19:17:26Z)
• Performance or Trust? Why Not Both. Deep AUC Maximization with Self-Supervised Learning for COVID-19 Chest X-ray Classifications [72.52228843498193]
  ディープラーニングモデルのトレーニングでは、パフォーマンスと信頼の間に妥協をしなければなりません。 本研究は、新型コロナウイルス患者のコンピュータ支援スクリーニングのための自己教師型学習と新しい代理損失を統合したものである。
  論文  参考訳（メタデータ） (2021-12-14T21:16:52Z)
• Dual-Consistency Semi-Supervised Learning with Uncertainty Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
  CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。 提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
  論文  参考訳（メタデータ） (2021-04-07T16:23:35Z)
• Rapid quantification of COVID-19 pneumonia burden from computed tomography with convolutional LSTM networks [1.0072268949897432]
  新型肺炎における肺病変の迅速定量と分化のための新しい完全自動化ディープラーニングフレームワークを提案する。 SARS-CoV-2の陽性逆転写ポリメラーゼ連鎖反応試験結果を有する197例のCTデータセット上で,この方法の性能を評価した。
  論文  参考訳（メタデータ） (2021-03-31T22:09:14Z)

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。