論文の概要: Robust Source-Free Domain Adaptation for Medical Image Segmentation based on Curriculum Learning

• arxiv url: http://arxiv.org/abs/2510.08393v1
• Date: Thu, 09 Oct 2025 16:15:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-10 17:54:15.188837
• Title: Robust Source-Free Domain Adaptation for Medical Image Segmentation based on Curriculum Learning
• Title（参考訳）: カリキュラム学習に基づく医用画像分割のためのロバストなソースフリードメイン適応
• Authors: Ziqi Zhang, Yuexiang Li, Yawen Huang, Nanjun He, Tao Xu, Liwei Lin, Yefeng Zheng, Shaoxin Li, Feiyue Huang,
• Abstract要約: ソースフリーなドメイン適応のためのカリキュラム(LFC)から学習するカリキュラムベースのフレームワークを提案する。 提案したソースフリー領域適応手法を,ファンドスセグメンテーションとポリプセグメンテーションのためのパブリッククロスドメインデータセット上で評価する。
• 参考スコア（独自算出の注目度）: 54.514202147709625
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Recent studies have uncovered a new research line, namely source-free domain adaptation, which adapts a model to target domains without using the source data. Such a setting can address the concerns on data privacy and security issues of medical images. However, current source-free domain adaptation frameworks mainly focus on the pseudo label refinement for target data without the consideration of learning procedure. Indeed, a progressive learning process from source to target domain will benefit the knowledge transfer during model adaptation. To this end, we propose a curriculum-based framework, namely learning from curriculum (LFC), for source-free domain adaptation, which consists of easy-to-hard and source-to-target curricula. Concretely, the former curriculum enables the framework to start learning with `easy' samples and gradually tune the optimization direction of model adaption by increasing the sample difficulty. While, the latter can stablize the adaptation process, which ensures smooth transfer of the model from the source domain to the target. We evaluate the proposed source-free domain adaptation approach on the public cross-domain datasets for fundus segmentation and polyp segmentation. The extensive experimental results show that our framework surpasses the existing approaches and achieves a new state-of-the-art.
• Abstract（参考訳）: 近年の研究では、ソースデータを使用しずにターゲットドメインにモデルを適応させる、ソースフリードメイン適応という新しい研究ラインが明らかにされている。 このような設定は、医療画像のプライバシーとセキュリティの問題に対処することができる。 しかし、現在のソースフリードメイン適応フレームワークは、主に学習手順を考慮せずに、ターゲットデータに対する擬似ラベル改善に焦点を当てている。 実際、ソースからターゲットドメインへのプログレッシブな学習プロセスは、モデル適応時の知識伝達に役立ちます。 そこで本研究では,カリキュラム(LFC)から学習するカリキュラムベースのフレームワークを提案する。 具体的には,従来のカリキュラムでは,'easy'サンプルを用いて学習を開始し,サンプルの難易度を高めて,モデル適応の最適化方向を徐々に調整することができる。 一方、後者は、ソースドメインからターゲットへのモデルのスムーズな転送を保証する適応プロセスを安定化することができる。 提案したソースフリー領域適応手法を,ファンドスセグメンテーションとポリプセグメンテーションのためのパブリッククロスドメインデータセット上で評価する。 大規模な実験結果から,我々のフレームワークは既存のアプローチを超越し,新たな最先端技術を実現していることが明らかとなった。

関連論文リスト

• DDFP: Data-dependent Frequency Prompt for Source Free Domain Adaptation of Medical Image Segmentation [15.107136785491482]
  ドメイン適応は、ドメインギャップに起因するモデルパフォーマンス劣化の課題に対処する。 ラベル付きソースドメインデータ、特に医療データセットへのアクセスは、プライバシポリシによって制限される。 本稿では,これらの課題に対処するために,新規な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。
  論文  参考訳（メタデータ） (2025-05-15T03:24:54Z)
• Learn from the Learnt: Source-Free Active Domain Adaptation via Contrastive Sampling and Visual Persistence [60.37934652213881]
  ドメイン適応(DA)は、ソースドメインから関連するターゲットドメインへの知識伝達を容易にする。 本稿では、ソースデータフリーなアクティブドメイン適応(SFADA)という実用的なDAパラダイムについて検討する。 本稿では,学習者学習(LFTL)というSFADAの新たなパラダイムを紹介し,学習した学習知識を事前学習モデルから活用し,余分なオーバーヘッドを伴わずにモデルを積極的に反復する。
  論文  参考訳（メタデータ） (2024-07-26T17:51:58Z)
• RAIN: RegulArization on Input and Network for Black-Box Domain Adaptation [80.03883315743715]
  ソースのないドメイン適応は、ソースデータを公開することなく、ソース訓練されたモデルをターゲットドメインに転送する。 このパラダイムは、ソースモデルに対する敵対的な攻撃のため、データ漏洩のリスクがある。 そこで我々は,入力レベルとネットワークレベルの両方の正規化からブラックボックスドメインを適応させる新しい手法であるRAIN(RegulArization on Input and Network)を提案する。
  論文  参考訳（メタデータ） (2022-08-22T18:18:47Z)
• A Curriculum-style Self-training Approach for Source-Free Semantic Segmentation [91.13472029666312]
  ソースフリーなドメイン適応型セマンティックセマンティックセグメンテーションのためのカリキュラムスタイルの自己学習手法を提案する。 提案手法は, ソースフリーなセマンティックセグメンテーションタスクにおいて, 合成-実-実-実-実-実-実-非実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実
  論文  参考訳（メタデータ） (2021-06-22T10:21:39Z)
• Source-Free Open Compound Domain Adaptation in Semantic Segmentation [99.82890571842603]
  SF-OCDAでは、ターゲットモデルを学習するために、ソース事前訓練されたモデルとターゲットデータのみが利用可能である。 そこで我々は,Cross-Patch Style Swap (CPSS)を提案する。 提案手法は,C-Drivingデータセット上で最先端の結果を生成する。
  論文  参考訳（メタデータ） (2021-06-07T08:38:41Z)
• Source-Free Domain Adaptation for Semantic Segmentation [11.722728148523366]
  Unsupervised Domain Adaptation(UDA)は、セマンティックセグメンテーションのための畳み込みニューラルネットワークベースのアプローチがピクセルレベルの注釈付きデータに大きく依存するという課題に取り組むことができる。 そこで本稿では,十分に訓練されたソースモデルとラベルなしのターゲットドメインデータセットのみを適用可能な,意味セグメンテーションのためのソースフリーなドメイン適応フレームワークsfdaを提案する。
  論文  参考訳（メタデータ） (2021-03-30T14:14:29Z)
• Universal Source-Free Domain Adaptation [57.37520645827318]
  ドメイン適応のための新しい2段階学習プロセスを提案する。 Procurementの段階では、今後のカテゴリギャップやドメインシフトに関する事前知識を前提とせず、将来的なソースフリーデプロイメントのためのモデルの提供を目標としています。 Deploymentの段階では、幅広いカテゴリギャップをまたいで動作可能な統一適応アルゴリズムを設計することを目的としている。
  論文  参考訳（メタデータ） (2020-04-09T07:26:20Z)

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。