論文の概要: Multi-Scale Global-Instance Prompt Tuning for Continual Test-time Adaptation in Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2602.05937v1
• Date: Thu, 05 Feb 2026 17:47:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-06 18:49:09.097933
• Title: Multi-Scale Global-Instance Prompt Tuning for Continual Test-time Adaptation in Medical Image Segmentation
• Title（参考訳）: 医用画像分割における連続的テスト時間適応のためのマルチスケールグローバルインスタンスプロンプトチューニング
• Authors: Lingrui Li, Yanfeng Zhou, Nan Pu, Xin Chen, Zhun Zhong,
• Abstract要約: 分布シフトは、異なる臨床センターから得られた医療画像において共通の課題である。 クロスドメインシフトに対処するための有望なアプローチとして、連続的なテスト時間適応が登場した。
• 参考スコア（独自算出の注目度）: 45.41333594408632
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Distribution shift is a common challenge in medical images obtained from different clinical centers, significantly hindering the deployment of pre-trained semantic segmentation models in real-world applications across multiple domains. Continual Test-Time Adaptation(CTTA) has emerged as a promising approach to address cross-domain shifts during continually evolving target domains. Most existing CTTA methods rely on incrementally updating model parameters, which inevitably suffer from error accumulation and catastrophic forgetting, especially in long-term adaptation. Recent prompt-tuning-based works have shown potential to mitigate the two issues above by updating only visual prompts. While these approaches have demonstrated promising performance, several limitations remain:1)lacking multi-scale prompt diversity, 2)inadequate incorporation of instance-specific knowledge, and 3)risk of privacy leakage. To overcome these limitations, we propose Multi-scale Global-Instance Prompt Tuning(MGIPT), to enhance scale diversity of prompts and capture both global- and instance-level knowledge for robust CTTA. Specifically, MGIPT consists of an Adaptive-scale Instance Prompt(AIP) and a Multi-scale Global-level Prompt(MGP). AIP dynamically learns lightweight and instance-specific prompts to mitigate error accumulation with adaptive optimal-scale selection mechanism. MGP captures domain-level knowledge across different scales to ensure robust adaptation with anti-forgetting capabilities. These complementary components are combined through a weighted ensemble approach, enabling effective dual-level adaptation that integrates both global and local information. Extensive experiments on medical image segmentation benchmarks demonstrate that our MGIPT outperforms state-of-the-art methods, achieving robust adaptation across continually changing target domains.
• Abstract（参考訳）: 分散シフトは、異なる臨床センターから得られた医療画像において一般的な課題であり、複数の領域にわたる実世界のアプリケーションに事前訓練されたセマンティックセグメンテーションモデルの展開を著しく妨げている。 連続的テスト時間適応(CTTA)は、継続的に進化するターゲットドメインにおいて、ドメイン間のシフトに対処するための有望なアプローチとして登場した。 既存のCTTA法の多くは、特に長期適応において、必然的にエラーの蓄積と破滅的な忘れ込みに苦しむモデルパラメータを漸進的に更新することに依存している。 最近のプロンプトチューニングに基づく研究は、視覚的なプロンプトだけを更新することで上記の2つの問題を緩和する可能性を示している。 これらのアプローチは有望なパフォーマンスを示しているが、1) マルチスケールのプロンプトの多様性を損なうこと、2) インスタンス固有の知識の組み入れが不十分であること、3) プライバシリークのリスク。 このような制約を克服するために,我々は,多大グローバル・インスタンス・プロンプト・チューニング(MGIPT)を提案し,プロンプトのスケールの多様性を高め,ロバストCTTAのためのグローバル・レベルの知識とインスタンスレベルの知識を捉える。 具体的には、MGIPTはAdaptive-scale Instance Prompt(AIP)とMulti-scale Global-level Prompt(MGP)から構成される。 AIPは軽量でインスタンス固有のプロンプトを動的に学習し、最適なスケール選択機構でエラーの蓄積を緩和する。 MGPは、異なるスケールにわたるドメインレベルの知識をキャプチャして、アンチフォッゲッティング機能による堅牢な適応を保証する。 これらの相補的成分は重み付けアンサンブルアプローチによって結合され、グローバル情報とローカル情報の両方を統合する効果的な二重レベル適応を可能にする。 医用画像セグメンテーションベンチマークの大規模な実験により、我々のMGIPTは最先端の手法よりも優れており、継続的に変化するターゲットドメインに頑健な適応が達成されている。

関連論文リスト

• Cross-Domain Few-Shot Segmentation via Multi-view Progressive Adaptation [84.97054460338109]
  Cross-Domain Few-Shotは、いくつかの例に照らされたデータスカースドメインのセグメンテーションを目指している。 データと戦略の両面からドメインをターゲットとするために、少数ショット機能に段階的に適応するマルチビュープログレッシブ適応を提案する。 MPAは、ターゲットドメインに対して効果的に少数ショット機能を適用し、最先端の手法よりも大きなマージンで性能を向上する。
  論文  参考訳（メタデータ） (2026-02-05T02:16:44Z)
• Instance-Aware Test-Time Segmentation for Continual Domain Shifts [19.919913865727995]
  連続テスト時間適応(CTTA)は、トレーニング済みのモデルが継続的に進化するドメインに適応できるようにする。 本稿では,各画像内の信頼分布を反映するために,擬似ラベルを適応的に調整する手法を提案する。 このきめ細かいクラスとインスタンス対応の適応は、より信頼性の高い監視を生み出し、エラーの蓄積を軽減します。
  論文  参考訳（メタデータ） (2025-12-09T13:06:15Z)
• 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)
• FedSemiDG: Domain Generalized Federated Semi-supervised Medical Image Segmentation [19.87797382888023]
  医用画像の多様性とラベル付きデータの欠如により、医用画像のセグメンテーションは困難である。 本稿では,FedSemiDGの課題に対処するため,FGASL(Federated Generalization-Aware Semi Supervised Learning)という新しいフレームワークを提案する。 提案手法は最先端のFSSLおよびドメインの一般化手法を著しく上回り,未確認領域に対する堅牢な一般化を実現している。
  論文  参考訳（メタデータ） (2025-01-13T14:54:49Z)
• ViDA: Homeostatic Visual Domain Adapter for Continual Test Time Adaptation [48.039156140237615]
  目標ドメインの継続的な変更に事前訓練されたモデルを適用するために、連続的なテスト時間適応タスクを提案する。 我々はCTTA用のVisual Domain Adapter (ViDA) を設計し、ドメイン固有知識とドメイン共有知識の両方を明示的に扱う。 提案手法は,CTTAタスクの分類とセグメント化の両方において,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-06-07T11:18:53Z)
• Generalized Few-Shot Continual Learning with Contrastive Mixture of Adapters [59.82088750033897]
  我々は,クラスおよびドメインインクリメンタルな状況を含む汎用FSCL (GFSCL) プロトコルを構築した。 一般的な連続学習手法は、目に見えない領域に一般化能力が乏しいことが判明した。 このようにして、視覚変換器(ViT)に基づくリハーサルフリーフレームワークであるContrastive Mixture of Adapters(CMoA)を提案する。
  論文  参考訳（メタデータ） (2023-02-12T15:18:14Z)
• Shape-aware Meta-learning for Generalizing Prostate MRI Segmentation to Unseen Domains [68.73614619875814]
  前立腺MRIのセグメント化におけるモデル一般化を改善するために,新しい形状認識メタラーニング手法を提案する。 実験結果から,本手法は未確認領域の6つの設定すべてにおいて,最先端の一般化手法を一貫して上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2020-07-04T07:56:02Z)
• Unsupervised Domain Adaptation in Person re-ID via k-Reciprocal Clustering and Large-Scale Heterogeneous Environment Synthesis [76.46004354572956]
  個人再識別のための教師なし領域適応手法を提案する。 実験結果から,ktCUDA法とSHRED法は,再同定性能において,+5.7 mAPの平均的改善を実現することがわかった。
  論文  参考訳（メタデータ） (2020-01-14T17:43:52Z)

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。