論文の概要: Exploiting Intermediate Reconstructions in Optical Coherence Tomography for Test-Time Adaption of Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2603.05041v1
• Date: Thu, 05 Mar 2026 10:48:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-06 22:06:11.188751
• Title: Exploiting Intermediate Reconstructions in Optical Coherence Tomography for Test-Time Adaption of Medical Image Segmentation
• Title（参考訳）: 医用画像分割テスト時間適応のための光コヒーレンストモグラフィーにおける中間再構成
• Authors: Thomas Pinetz, Veit Hucke, Hrvoje Bogunovic,
• Abstract要約: プライマリ・ヘルス・ケアは、しばしば安価な撮像装置に頼っている。 このようなアルゴリズムは、ドメイン固有の事前知識を組み込んだ反復的再構成手法を用いるのが一般的である。 凍結下流ネットワークの正規化層パラメータを適応させることにより,これらの中間表現をテスト時に活用するIRTTAを提案する。
• 参考スコア（独自算出の注目度）: 3.7585770539752104
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Primary health care frequently relies on low-cost imaging devices, which are commonly used for screening purposes. To ensure accurate diagnosis, these systems depend on advanced reconstruction algorithms designed to approximate the performance of high-quality counterparts. Such algorithms typically employ iterative reconstruction methods that incorporate domain-specific prior knowledge. However, downstream task performance is generally assessed using only the final reconstructed image, thereby disregarding the informative intermediate representations generated throughout the reconstruction process. In this work, we propose IRTTA to exploit these intermediate representations at test-time by adapting the normalization-layer parameters of a frozen downstream network via a modulator network that conditions on the current reconstruction timescale. The modulator network is learned during test-time using an averaged entropy loss across all individual timesteps. Variation among the timestep-wise segmentations additionally provides uncertainty estimates at no extra cost. This approach enhances segmentation performance and enables semantically meaningful uncertainty estimation, all without modifying either the reconstruction process or the downstream model.
• Abstract（参考訳）: プライマリ・ヘルス・ケアは、しばしば安価な撮像装置に頼っている。 正確な診断を保証するため、これらのシステムは高品質なシステムの性能を近似するために設計された高度な再構成アルゴリズムに依存している。 このようなアルゴリズムは、ドメイン固有の事前知識を組み込んだ反復的再構成手法を用いるのが一般的である。 しかし, ダウンストリームタスク性能は最終再構成画像のみを用いて評価され, 再建過程を通じて発生する情報中間表現を無視している。 本研究では,現在の再構成時間スケールを条件とした変調器ネットワークを用いて,凍結下流ネットワークの正規化層パラメータを適応させることにより,これらの中間表現をテスト時に活用するIRTTAを提案する。 変調器ネットワークは、各時間ステップの平均エントロピー損失を用いてテスト時間中に学習される。 タイムステップワイドセグメンテーションのバリエーションは、余分なコストなしで不確実な見積もりを提供する。 このアプローチはセグメンテーション性能を高め,セグメンテーションプロセスや下流モデルを変更することなく意味的に意味のある不確実性推定を可能にする。

関連論文リスト

• Resolution-Independent Neural Operators for Multi-Rate Sparse-View CT [67.14700058302016]
  深層学習手法は高忠実度再構成を実現するが、しばしば固定された取得設定に過度に適合する。 本稿では,連続関数空間に拡張したCT再構成フレームワークであるComputed Tomography Neural Operator (CTO)を提案する。 CTOは一貫性のあるマルチサンプリングレートとクロスレゾリューションのパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-12-13T08:31:46Z)
• Re-Visible Dual-Domain Self-Supervised Deep Unfolding Network for MRI Reconstruction [48.30341580103962]
  本稿では、これらの問題に対処するために、新しい再視覚的二重ドメイン自己教師型深層展開ネットワークを提案する。 エンド・ツー・エンドの再構築を実現するために,シャンブルとポック・プロキシ・ポイント・アルゴリズム(DUN-CP-PPA)に基づく深層展開ネットワークを設計する。 高速MRIおよびIXIデータセットを用いて行った実験により,本手法は再建性能において最先端の手法よりも有意に優れていることが示された。
  論文  参考訳（メタデータ） (2025-01-07T12:29:32Z)
• Tomographic Reconstruction and Regularisation with Search Space Expansion and Total Variation [0.0]
  不完全なデータの処理は、患者が潜在的に放射線を損傷したり、長いスキャン時間に対処できない場合に重要である。 本稿では,画像空間内を粒子が移動し,再構成誤差を最小限に抑えるために,Swarmをベースとした再構成手法を提案する。 提案手法は, 標準的なトモグラフィ再構成ツールボックスアルゴリズムと比較して, 再現誤差が低いことを示す。
  論文  参考訳（メタデータ） (2024-06-03T15:57:43Z)
• Analysis of Deep Image Prior and Exploiting Self-Guidance for Image Reconstruction [13.277067849874756]
  DIPがアンダーサンプドイメージング計測からどのように情報を回収するかを検討する。 ネットワーク重みと入力の両方を同時に最適化する自己駆動型再構築プロセスを導入する。 提案手法は,ネットワーク入力画像と再構成画像の両方の堅牢かつ安定した関節推定を可能にする,新しいデノイザ正規化項を組み込んだものである。
  論文  参考訳（メタデータ） (2024-02-06T15:52:23Z)
• Making Reconstruction-based Method Great Again for Video Anomaly Detection [64.19326819088563]
  ビデオの異常検出は重要な問題だが、難しい問題だ。 既存の再構成に基づく手法は、昔ながらの畳み込みオートエンコーダに依存している。 連続フレーム再構築のための新しいオートエンコーダモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-28T01:57:57Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Test-time Adaptation with Slot-Centric Models [63.981055778098444]
  Slot-TTAは、半教師付きシーン分解モデルであり、シーンごとのテスト時間は、再構成やクロスビュー合成の目的に対する勾配降下を通じて適用される。 我々は、最先端の監視フィードフォワード検出器と代替テスト時間適応法に対して、配電性能が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2022-03-21T17:59:50Z)
• InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal Artifact Reduction in CT Images [53.4351366246531]
  InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。 異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2021-12-23T15:52:37Z)
• Segmentation-Renormalized Deep Feature Modulation for Unpaired Image Harmonization [0.43012765978447565]
  サイクル一貫性のある生成共役ネットワークは、ソースとターゲットドメイン間のイメージセットの調和に使われてきた。 これらの手法は、不安定性、コントラストの逆転、病理の難治性操作、および実際の医用画像における信頼性を制限したステガノグラフィーマッピングの傾向が強い。 解剖学的レイアウトを維持しながらスキャナ間の調和を低減するセグメンテーション正規化画像翻訳フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-11T23:53:51Z)
• Regularization-Agnostic Compressed Sensing MRI Reconstruction with Hypernetworks [21.349071909858218]
  正規化重みの関数として分離された再構成ネットワークのパラメータを生成するためにハイパーネットワークを利用する新しい戦略を提案する。 実験時, アンダーサンプル画像の場合, 我々のモデルは, 異なる量の正規化で高速に再構成を計算できる。 特に全体的な品質が類似した状況において,これらの復元の変動性を分析する。
  論文  参考訳（メタデータ） (2021-01-06T18:55:37Z)
• Using Deep Image Priors to Generate Counterfactual Explanations [38.62513524757573]
  ディープ画像先行(DIP)は、潜在表現エンコーディングからプレイメージを得るために用いられる。 本稿では,予測器と共同で学習した補助損失推定器に基づく新たな正規化戦略を提案する。
  論文  参考訳（メタデータ） (2020-10-22T20:40:44Z)
• Searching for Efficient Architecture for Instrument Segmentation in Robotic Surgery [58.63306322525082]
  ほとんどのアプリケーションは、高解像度の外科画像の正確なリアルタイムセグメンテーションに依存している。 我々は,高解像度画像のリアルタイム推論を行うために調整された,軽量で高効率なディープ残差アーキテクチャを設計する。
  論文  参考訳（メタデータ） (2020-07-08T21:38:29Z)

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。