論文の概要: A Large Scale Benchmark for Test Time Adaptation Methods in Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2512.02497v1
• Date: Tue, 02 Dec 2025 07:40:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-03 21:04:45.774577
• Title: A Large Scale Benchmark for Test Time Adaptation Methods in Medical Image Segmentation
• Title（参考訳）: 医用画像セグメンテーションにおけるテスト時間適応手法の大規模ベンチマーク
• Authors: Wenjing Yu, Shuo Jiang, Yifei Chen, Shuo Chang, Yuanhan Wang, Beining Wu, Jie Dong, Mingxuan Liu, Shenghao Zhu, Feiwei Qin, Changmiao Wang, Qiyuan Tian,
• Abstract要約: テスト時間適応は、医用画像セグメンテーションにおける領域シフトを軽減するための有望なアプローチである。 MedSeg-TTAは7つの画像モダリティにまたがる20の適応手法を網羅したベンチマークである。
• 参考スコア（独自算出の注目度）: 18.147151439410383
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Test time Adaptation is a promising approach for mitigating domain shift in medical image segmentation; however, current evaluations remain limited in terms of modality coverage, task diversity, and methodological consistency. We present MedSeg-TTA, a comprehensive benchmark that examines twenty representative adaptation methods across seven imaging modalities, including MRI, CT, ultrasound, pathology, dermoscopy, OCT, and chest X-ray, under fully unified data preprocessing, backbone configuration, and test time protocols. The benchmark encompasses four significant adaptation paradigms: Input-level Transformation, Feature-level Alignment, Output-level Regularization, and Prior Estimation, enabling the first systematic cross-modality comparison of their reliability and applicability. The results show that no single paradigm performs best in all conditions. Input-level methods are more stable under mild appearance shifts. Feature-level and Output-level methods offer greater advantages in boundary-related metrics, whereas prior-based methods exhibit strong modality dependence. Several methods degrade significantly under large inter-center and inter-device shifts, which highlights the importance of principled method selection for clinical deployment. MedSeg-TTA provides standardized datasets, validated implementations, and a public leaderboard, establishing a rigorous foundation for future research on robust, clinically reliable test-time adaptation. All source codes and open-source datasets are available at https://github.com/wenjing-gg/MedSeg-TTA.
• Abstract（参考訳）: テスト時間適応は、医用画像分割における領域シフトを軽減するための有望なアプローチであるが、現在の評価は、モダリティカバレッジ、タスクの多様性、方法論的整合性の点で制限されている。 MedSeg-TTAは、MRI、CT、超音波、病理、皮膚内視鏡、CT、胸部X線を含む7つの画像モダリティに対して、完全に統一されたデータ前処理、バックボーン構成、テストタイムプロトコルを含む、20の代表的な適応手法を総合的に検証するベンチマークである。 このベンチマークには、入力レベルの変換、特徴レベルのアライメント、出力レベルの正規化、優先度推定の4つの重要な適応パラダイムが含まれている。 その結果,全ての条件において,どのパラダイムも最善を尽くさないことが明らかとなった。 入力レベルメソッドは、より穏やかな外観シフトの下でより安定である。 特徴レベルの手法と出力レベルの手法は境界関連の指標において大きな利点をもたらすが、先行手法は強いモダリティ依存を示す。 センター間およびデバイス間の大きなシフトの下では,いくつかの方法が著しく劣化し,臨床展開における原則的方法選択の重要性が強調された。 MedSeg-TTAは標準化されたデータセット、検証済みの実装、公開リーダボードを提供し、堅牢で臨床的に信頼性の高いテストタイム適応に関する将来の研究のための厳格な基盤を確立する。 すべてのソースコードとオープンソースデータセットはhttps://github.com/wenjing-gg/MedSeg-TTAで公開されている。

関連論文リスト

• MedSeqFT: Sequential Fine-tuning Foundation Models for 3D Medical Image Segmentation [55.37355146924576]
  MedSeqFTは、医用画像解析のためのシーケンシャルな微調整フレームワークである。 事前訓練されたモデルを新しいタスクに適応させ、表現能力を改善する。 最先端の微調整戦略を一貫して上回ります。
  論文  参考訳（メタデータ） (2025-09-07T15:22:53Z)
• Test-Time Domain Generalization via Universe Learning: A Multi-Graph Matching Approach for Medical Image Segmentation [17.49123106322442]
  テスト時間適応(TTA)は、未ラベルのテストデータを用いて学習モデルを調整する。 形態情報を導入し,マルチグラフマッチングに基づくフレームワークを提案する。 本手法は,2つの医用画像セグメンテーションベンチマークにおいて,他の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2025-03-17T10:11:11Z)
• Test-Time Modality Generalization for Medical Image Segmentation [0.9092907230570326]
  一般的な医用画像のセグメンテーションは、さまざまな臨床現場で一貫したパフォーマンスを確保するために不可欠である。 MASP(Modality-Aware Style Projection)とMSIW(Modality-Sensitive Instance Whitening)の2つのコアコンポーネントからなる新しいテスト時モダリティ一般化(TTMG)フレームワークを紹介する。 MASPは、見た各モダリティに属するテストインスタンスの可能性を推定し、モダリティ固有のスタイルベースを使用して分布にマッピングし、そのプロジェクションを効果的に導く。 MSIWは、モダリティの不変性を保ちながら、モダリティに敏感な情報を選択的に抑制するために訓練中に適用される。
  論文  参考訳（メタデータ） (2025-02-27T01:32:13Z)
• PMT: Progressive Mean Teacher via Exploring Temporal Consistency for Semi-Supervised Medical Image Segmentation [51.509573838103854]
  医用画像セグメンテーションのための半教師付き学習フレームワークであるプログレッシブ平均教師(PMT)を提案する。 我々のPMTは、トレーニングプロセスにおいて、堅牢で多様な特徴を学習することで、高忠実な擬似ラベルを生成する。 CT と MRI の異なる2つのデータセットに対する実験結果から,本手法が最先端の医用画像分割法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-08T15:02:25Z)
• SKADA-Bench: Benchmarking Unsupervised Domain Adaptation Methods with Realistic Validation On Diverse Modalities [50.6382396309597]
  Unsupervised Domain Adaptation (DA) は、ラベル付きソースドメインでトレーニングされたモデルを適用して、ラベルなしのターゲットドメインでデータ分散シフトをうまく実行する。 本稿では,再重み付け,マッピング,部分空間アライメントなど,既存の浅層アルゴリズムの完全かつ公平な評価を行う。 本ベンチマークでは,現実的な検証の重要性を強調し,現実的なアプリケーションに対する実践的なガイダンスを提供する。
  論文  参考訳（メタデータ） (2024-07-16T12:52:29Z)
• Advancing UWF-SLO Vessel Segmentation with Source-Free Active Domain Adaptation and a Novel Multi-Center Dataset [11.494899967255142]
  UWF-SLO画像における正確な血管セグメンテーションは網膜疾患の診断に不可欠である。 高い解像度のUWF-SLO画像を手動でラベル付けすることは、非常に難しく、時間がかかり、高価な作業である。 本研究では、パッチベースのアクティブドメイン適応アプローチを活用する先駆的なフレームワークを紹介する。
  論文  参考訳（メタデータ） (2024-06-19T15:49:06Z)
• Multi Task Consistency Guided Source-Free Test-Time Domain Adaptation Medical Image Segmentation [8.591386126583748]
  医用画像セグメンテーションのためのソースフリーテストタイム適応は、ターゲット領域の様々なテストセットへのセグメンテーションモデルの適応性を高めることを目的としている。 ターゲットエッジとペア入力の整合性の確保は、テスト時間適応に不可欠である。 ソースフリーなテスト時間領域適応医療画像セグメンテーション手法を提案する。
  論文  参考訳（メタデータ） (2023-10-18T07:49:24Z)
• Toward Unpaired Multi-modal Medical Image Segmentation via Learning Structured Semantic Consistency [24.78258331561847]
  本稿では,異なるモダリティの相互利益を学習し,不自由な医療画像に対してより良いセグメンテーション結果を得るための新しい手法を提案する。 我々は、慎重に設計された外部注意モジュール(EAM)を利用して、セマンティッククラス表現とそれらの異なるモダリティの相関を調整します。 提案手法の有効性を2つの医療画像セグメンテーションシナリオで実証した。
  論文  参考訳（メタデータ） (2022-06-21T17:50:29Z)
• DLTTA: Dynamic Learning Rate for Test-time Adaptation on Cross-domain Medical Images [56.72015587067494]
  DLTTAと呼ばれるテスト時間適応のための新しい動的学習率調整法を提案する。 本手法は,現在最先端のテスト時間適応法よりも一貫した性能向上を図り,有効かつ高速なテスト時間適応を実現する。
  論文  参考訳（メタデータ） (2022-05-27T02:34:32Z)

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。