論文の概要: Class Incremental Medical Image Segmentation via Prototype-Guided Calibration and Dual-Aligned Distillation

• arxiv url: http://arxiv.org/abs/2511.07749v1
• Date: Wed, 12 Nov 2025 01:14:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.460935
• Title: Class Incremental Medical Image Segmentation via Prototype-Guided Calibration and Dual-Aligned Distillation
• Title（参考訳）: 原型誘導校正とデュアルアライン蒸留によるクラスインクリメンタル医用画像分割
• Authors: Shengqian Zhu, Chengrong Yu, Qiang Wang, Ying Song, Guangjun Li, Jiafei Wu, Xiaogang Xu, Zhang Yi, Junjie Hu,
• Abstract要約: 我々は, CIMIS 用 PGCD と DAPD (Dual-Aligned Prototype Distillation) を提案する。 PGCDは、異なる地域でクラス固有の蒸留強度を調整し、信頼性の高い古い知識を効果的に強化し、古いクラスからの誤解を招く情報を抑えるプロトタイプと機能的な類似性を利用する。 DAPDは、現在のモデルから抽出された古いクラスのローカルプロトタイプを、グローバルプロトタイプとローカルプロトタイプの両方と整合させ、古いカテゴリのセグメンテーション性能をさらに向上させる。
• 参考スコア（独自算出の注目度）: 25.159778834170268
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Class incremental medical image segmentation (CIMIS) aims to preserve knowledge of previously learned classes while learning new ones without relying on old-class labels. However, existing methods 1) either adopt one-size-fits-all strategies that treat all spatial regions and feature channels equally, which may hinder the preservation of accurate old knowledge, 2) or focus solely on aligning local prototypes with global ones for old classes while overlooking their local representations in new data, leading to knowledge degradation. To mitigate the above issues, we propose Prototype-Guided Calibration Distillation (PGCD) and Dual-Aligned Prototype Distillation (DAPD) for CIMIS in this paper. Specifically, PGCD exploits prototype-to-feature similarity to calibrate class-specific distillation intensity in different spatial regions, effectively reinforcing reliable old knowledge and suppressing misleading information from old classes. Complementarily, DAPD aligns the local prototypes of old classes extracted from the current model with both global prototypes and local prototypes, further enhancing segmentation performance on old categories. Comprehensive evaluations on two widely used multi-organ segmentation benchmarks demonstrate that our method outperforms state-of-the-art methods, highlighting its robustness and generalization capabilities.
• Abstract（参考訳）: クラスインクリメンタル・メディカルイメージ・セグメンテーション(CIMIS)は、旧来のラベルに頼らずに新しいクラスを学習しながら、学習したクラスの知識を保存することを目的としている。 しかし、既存の方法 1) すべての空間領域と特徴チャネルを等しく扱う一大戦略を採用するかは、正確な古い知識の保存を妨げる可能性がある。 あるいは、ローカルな表現を新しいデータで見下ろしながら、ローカルなプロトタイプと古いクラスのグローバルなプロトタイプの整合性にのみ焦点を合わせることで、知識の劣化につながります。 以上の問題を緩和するために,CIMISにおけるPGCDとDAPDを提案する。 具体的には、PGCDは、異なる空間領域におけるクラス固有の蒸留強度を校正し、信頼性の高い古い知識を効果的に強化し、古いクラスからの誤解を招く情報を抑えるプロトタイプと機能間の類似性を利用する。 DAPDは、現在のモデルから抽出された古いクラスのローカルプロトタイプをグローバルプロトタイプとローカルプロトタイプの両方に整合させ、古いカテゴリのセグメンテーション性能をさらに向上させる。 広範に使用されている2つのマルチオーガナイズドセグメンテーションベンチマークの総合評価により,本手法が最先端の手法より優れ,ロバスト性や一般化能力を強調した。

関連論文リスト

• Multi-Granularity Class Prototype Topology Distillation for Class-Incremental Source-Free Unsupervised Domain Adaptation [29.590172105562075]
  Class-Incremental Source-Free Unsupervised Domain Adaptation (CI-SFUDA)は、ラベル付きソースインスタンスにアクセスせずにラベル付きターゲットデータが漸進的にやってくる問題である。 本稿では,GROTOアルゴリズムを提案する。GROTOアルゴリズムは,ソース知識をクラス増分対象領域に効果的に転送する。 提案手法は,3つの公開データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-11-25T03:28:09Z)
• Generalize or Detect? Towards Robust Semantic Segmentation Under Multiple Distribution Shifts [56.57141696245328]
  斬新なクラスとドメインの両方が存在するようなオープンワールドシナリオでは、理想的なセグメンテーションモデルは安全のために異常なクラスを検出する必要がある。 既存の方法はドメインレベルとセマンティックレベルの分散シフトを区別するのに苦労することが多い。
  論文  参考訳（メタデータ） (2024-11-06T11:03:02Z)
• Prototypical Hash Encoding for On-the-Fly Fine-Grained Category Discovery [65.16724941038052]
  カテゴリ対応プロトタイプ生成(CPG)とディスクリミカテゴリ5.3%(DCE)が提案されている。 CPGは、各カテゴリを複数のプロトタイプで表現することで、カテゴリ内の多様性を完全にキャプチャすることを可能にする。 DCEは生成されたカテゴリプロトタイプのガイダンスによってハッシュコードの識別能力を向上する。
  論文  参考訳（メタデータ） (2024-10-24T23:51:40Z)
• PASS++: A Dual Bias Reduction Framework for Non-Exemplar Class-Incremental Learning [49.240408681098906]
  クラスインクリメンタルラーニング(CIL)は,旧クラスの識別性を維持しつつ,新たなクラスを段階的に認識することを目的としている。 既存のCILメソッドの多くは、例えば、古いデータの一部を格納して再トレーニングする例がある。 本稿では、入力空間における自己教師付き変換(SST)と深い特徴空間におけるプロトタイプ拡張(protoAug)を利用する、単純で斬新な二重バイアス低減フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-19T05:03:16Z)
• Cs2K: Class-specific and Class-shared Knowledge Guidance for Incremental Semantic Segmentation [31.82132159867097]
  増分的セグメンテーションは、古いクラスの知識を維持しながら、新しく遭遇したクラスをセグメンテーションする。 逐次的セマンティックセグメンテーションのためのクラス固有およびクラス共有知識(Cs2K)ガイダンスを提案する。 提案するCs2Kはセグメンテーション性能を著しく向上し,プラグアンドプレイである。
  論文  参考訳（メタデータ） (2024-07-12T07:15:26Z)
• Domain Adaptive Nuclei Instance Segmentation and Classification via Category-aware Feature Alignment and Pseudo-labelling [65.40672505658213]
  本稿では, UDA 核インスタンス分割と分類のための新しいディープニューラルネットワークである Category-Aware 機能アライメントと Pseudo-Labelling Network (CAPL-Net) を提案する。 我々のアプローチは、最先端のUDA手法よりも顕著なマージンで優れています。
  論文  参考訳（メタデータ） (2022-07-04T07:05:06Z)
• Semi-Supervised Domain Generalization with Stochastic StyleMatch [90.98288822165482]
  実世界のアプリケーションでは、アノテーションのコストが高いため、各ソースドメインから利用可能なラベルはわずかです。 本研究では,より現実的で実践的な半教師付き領域一般化について検討する。 提案手法であるStyleMatchは,擬似ラベルに基づく最先端の半教師付き学習手法であるFixMatchに着想を得たものである。
  論文  参考訳（メタデータ） (2021-06-01T16:00:08Z)

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。