論文の概要: CLoPA: Continual Low Parameter Adaptation of Interactive Segmentation for Medical Image Annotation

• arxiv url: http://arxiv.org/abs/2603.06426v1
• Date: Fri, 06 Mar 2026 16:03:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-09 13:17:46.19429
• Title: CLoPA: Continual Low Parameter Adaptation of Interactive Segmentation for Medical Image Annotation
• Title（参考訳）: CLoPA: 医用画像アノテーションのための対話的セグメンテーションの連続的低パラメータ適応
• Authors: Parhom Esmaeili, Chayanin Tangwiriyasakul, Eli Gibson, Sebastien Ourselin, M. Jorge Cardoso,
• Abstract要約: インタラクティブセグメンテーションにより、臨床医はアノテーションをガイドできる。 しかし、nnInteractiveのような既存のゼロショットモデルは、常に専門家レベルのパフォーマンスに達することができません。 我々は、アノテーションキャッシュ上でnnInteractiveのパラメータのごく一部をチューニングする連続的な適応戦略であるCLoPAを提案する。
• 参考スコア（独自算出の注目度）: 1.271337683889894
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Interactive segmentation enables clinicians to guide annotation, but existing zero-shot models like nnInteractive fail to consistently reach expert-level performance across diverse medical imaging tasks. Because annotation campaigns produce a growing stream of task-specific labelled data, online adaptation of the segmentation model is a natural complement to zero-shot inference. We propose CLoPA, a continual adaptation strategy that tunes a small fraction of nnInteractive's parameters on the annotation cache, triggered by lightweight episode scheduling. CLoPA requires no new parameters or changes to the inference pipeline, and operates entirely within the existing annotation workflow. Across eight Medical Segmentation Decathlon tasks spanning diverse anatomical targets and imaging characteristics, CLoPA rapidly elevates performance to expert-level, even for tasks where nnInteractive previously failed, with the majority of gains realised after a single training episode. We show that the benefits of tuning different parameter groups depends on task characteristics and data regimes. Also, that for targets with complex geometries (e.g., hepatic vessels), instance normalisation and low-level feature tuning saturates, suggesting a need for deeper feature-representation alignment in the most challenging scenarios.
• Abstract（参考訳）: インタラクティブセグメンテーションは、臨床医がアノテーションをガイドすることを可能にするが、nnInteractiveのような既存のゼロショットモデルは、さまざまな医用画像タスクで常に専門家レベルのパフォーマンスに到達できない。 アノテーションのキャンペーンはタスク固有のラベル付きデータのストリームを増大させるため、セグメンテーションモデルのオンライン適応はゼロショット推論の自然な補完となる。 CLoPAは,軽量なエピソードスケジューリングによって引き起こされるアノテーションキャッシュ上で,nnInteractiveのパラメータのごく一部をチューニングする,連続的な適応戦略である。 CLoPAは推論パイプラインに新しいパラメータや変更を必要とせず、既存のアノテーションワークフロー内で完全に動作する。 CLoPAは、さまざまな解剖学的目標とイメージング特性にまたがる8つのメディカルセグメンテーションのタスクの中で、nInteractiveが以前失敗したタスクにおいても、パフォーマンスを専門家レベルに急速に高め、単一のトレーニングエピソード後にほとんどのゲインが実現した。 異なるパラメータ群をチューニングする利点は、タスクの特性やデータ構造に依存していることを示す。 また、複雑なジオメトリ(例えば、肝血管)、インスタンスの正規化、低レベルの特徴チューニングが飽和しているターゲットに対しては、最も困難なシナリオにおいて、より深い特徴表現アライメントの必要性が示唆されている。

関連論文リスト

• Staged Voxel-Level Deep Reinforcement Learning for 3D Medical Image Segmentation with Noisy Annotations [4.581671524490035]
  本稿では,ノイズの多いアノテーションの下での堅牢な医用画像分割のためのエンドツーエンドのVoxel-Level Deep Reinforcement Learningフレームワークを提案する。 このフレームワークは動的反復的な更新戦略を使用して,手作業による介入を必要とせずに,誤ったラベルの影響を自動的に緩和する。
  論文  参考訳（メタデータ） (2026-01-07T12:39:54Z)
• Enhancing SAM with Efficient Prompting and Preference Optimization for Semi-supervised Medical Image Segmentation [30.524999223901645]
  完全教師なし方式で生成されるアノテーション効率のよいプロンプトを利用するSAM(Segment Anything Model)フレームワークを提案する。 我々は、モデルが高忠実度セグメンテーションを生成できるように最適なポリシーを設計するために、直接選好最適化手法を採用する。 X線, 超音波, 腹部CTなど多彩な領域にわたる肺分節, 乳房腫瘍分節, 臓器分節などのタスクにおける我々のフレームワークの最先端性能は, 低アノテーションデータシナリオにおけるその有効性を正当化するものである。
  論文  参考訳（メタデータ） (2025-03-06T17:28:48Z)
• Comprehensive Generative Replay for Task-Incremental Segmentation with Concurrent Appearance and Semantic Forgetting [49.87694319431288]
  一般的なセグメンテーションモデルは、異なる画像ソースからの様々なオブジェクトを含む様々なタスクに対して、ますます好まれている。 画像とマスクのペアを合成することで外観と意味の知識を復元する包括的生成(CGR)フレームワークを提案する。 漸進的タスク(心身、基礎、前立腺のセグメンテーション)の実験は、同時出現と意味的忘れを緩和する上で、明らかな優位性を示している。
  論文  参考訳（メタデータ） (2024-06-28T10:05:58Z)
• Weakly-Supervised Cross-Domain Segmentation of Electron Microscopy with Sparse Point Annotation [1.124958340749622]
  カウント,検出,セグメンテーションタスク間の相関を利用したマルチタスク学習フレームワークを提案する。 ラベル拡張のためのクロスポジションカット・アンド・ペーストを開発し,エントロピーに基づく擬似ラベル選択を行う。 提案手法は, UDA法を著しく上回り, 教師付き手法と同等の性能を発揮する。
  論文  参考訳（メタデータ） (2024-03-31T12:22:23Z)
• Enhancing Few-shot CLIP with Semantic-Aware Fine-Tuning [61.902254546858465]
  Contrastive Language-Image Pre-Trainingに基づく手法は、数発の適応タスクで有望な性能を示した。 本稿では,タスク固有のセマンティクスに焦点を合わせるために,トレーニングプロセス中にアテンションプーリング層のパラメータを微調整することを提案する。
  論文  参考訳（メタデータ） (2023-11-08T05:18:57Z)
• Prompt-Matched Semantic Segmentation [96.99924127527002]
  本研究の目的は、事前学習した基礎モデルを、画像意味セグメンテーションの下流の様々なタスクに効果的に適応する方法を検討することである。 本稿では,タスク指向のチューニングに適応的に視覚的プロンプトを生成するとともに,基礎モデルの本来の構造を維持できる新しい階層間プロンプトマッチングフレームワークを提案する。 次に、Semantic-aware Prompt Matcherと呼ばれる軽量モジュールを導入し、2つのステージ間で階層的に補間し、各タスクに対して適切なプロンプトを学習する。
  論文  参考訳（メタデータ） (2022-08-22T09:12:53Z)
• CFNet: Learning Correlation Functions for One-Stage Panoptic Segmentation [46.252118473248316]
  バックボーンの特徴を高めるために,まず,異なる場所のセマンティックレベルとインスタンスレベルの相関関係を推定することを提案する。 次に,改良された識別特徴をそれぞれ対応するセグメンテーションヘッドに供給する。 PQは45.1ドル%、ADE20kは32.6ドル%である。
  論文  参考訳（メタデータ） (2022-01-13T05:31:14Z)
• Challenge-Aware RGBT Tracking [32.88141817679821]
  本稿では,モダリティに偏った課題と,モダリティに特有の課題に対処する,新たな課題認識ニューラルネットワークを提案する。 提案手法は,3つのベンチマークデータセット上での最先端手法に対して高い性能を保ちながら,リアルタイムに動作可能であることを示す。
  論文  参考訳（メタデータ） (2020-07-26T15:11:44Z)

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。