論文の概要: SPEGC: Continual Test-Time Adaptation via Semantic-Prompt-Enhanced Graph Clustering for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2603.11492v1
• Date: Thu, 12 Mar 2026 03:22:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-13 14:46:25.842056
• Title: SPEGC: Continual Test-Time Adaptation via Semantic-Prompt-Enhanced Graph Clustering for Medical Image Segmentation
• Title（参考訳）: SPEGC: 医用画像セグメンテーションのためのセマンティックプロンプトグラフクラスタリングによる連続的なテスト時間適応
• Authors: Xiaogang Du, Jiawei Zhang, Tongfei Liu, Tao Lei, Yingbo Wang,
• Abstract要約: Continual Test-Time Adaptation (CTTA)は、トレーニング済みのモデルが、ラベルなしドメインの継続的な変更に適応できるようにすることを目的としている。 医用画像セグメンテーションのためのセマンティック・プロンプト拡張グラフクラスタリング(SPEGC)によるCTTAを提案する。
• 参考スコア（独自算出の注目度）: 12.0982298854338
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: In medical image segmentation tasks, the domain gap caused by the difference in data collection between training and testing data seriously hinders the deployment of pre-trained models in clinical practice. Continual Test-Time Adaptation (CTTA) aims to enable pre-trained models to adapt to continuously changing unlabeled domains, providing an effective approach to solving this problem. However, existing CTTA methods often rely on unreliable supervisory signals, igniting a self-reinforcing cycle of error accumulation that culminates in catastrophic performance degradation. To overcome these challenges, we propose a CTTA via Semantic-Prompt-Enhanced Graph Clustering (SPEGC) for medical image segmentation. First, we design a semantic prompt feature enhancement mechanism that utilizes decoupled commonality and heterogeneity prompt pools to inject global contextual information into local features, alleviating their susceptibility to noise interference under domain shift. Second, based on these enhanced features, we design a differentiable graph clustering solver. This solver reframes global edge sparsification as an optimal transport problem, allowing it to distill a raw similarity matrix into a refined and high-order structural representation in an end-to-end manner. Finally, this robust structural representation is used to guide model adaptation, ensuring predictions are consistent at a cluster-level and dynamically adjusting decision boundaries. Extensive experiments demonstrate that SPEGC outperforms other state-of-the-art CTTA methods on two medical image segmentation benchmarks. The source code is available at https://github.com/Jwei-Z/SPEGC-for-MIS.
• Abstract（参考訳）: 医用画像のセグメンテーションタスクでは、トレーニングデータとテストデータ間のデータ収集の違いによって引き起こされる領域ギャップが、臨床実践における事前訓練モデルの展開を著しく妨げている。 継続的テスト時間適応(CTTA)は、トレーニング済みのモデルが継続的な変更のないドメインに適応できるようにすることを目的としており、この問題を解決する効果的なアプローチを提供する。 しかし、既存のCTTA法は、しばしば信頼性の低い監視信号に依存し、破滅的な性能劣化を極めるエラー蓄積の自己抑制サイクルに着火する。 これらの課題を克服するために,医用画像セグメンテーションのためのセマンティック・プロンプト強化グラフクラスタリング(SPEGC)によるCTTAを提案する。 まず、疎結合の共通性と不均一性を利用したセマンティック・プロンプト機能強化機構を設計し、局所的な特徴にグローバルな文脈情報を注入し、ドメインシフト下でのノイズ干渉に対する感受性を緩和する。 第二に、これらの拡張機能に基づいて、微分可能なグラフクラスタリングソルバを設計する。 この解法は、グローバルエッジスペーシフィケーションを最適な輸送問題として再構成し、生の類似度行列を、エンドツーエンドで洗練された高階構造表現に蒸留する。 最後に、この堅牢な構造表現は、モデル適応を導くために使用され、予測がクラスタレベルで一貫性を持ち、決定境界を動的に調整することを保証する。 大規模な実験により、SPEGC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CTTA法よりも優れていることが示された。 ソースコードはhttps://github.com/Jwei-Z/SPEGC-for-MISで入手できる。

関連論文リスト

• Contrastive Graph Modeling for Cross-Domain Few-Shot Medical Image Segmentation [58.41482540044918]
  クロスドメイン少ショット医療画像セグメンテーション(CD-FSMIS)は医療応用に有望でデータ効率のよいソリューションを提供する。 本稿では,医用画像の構造的整合性を利用したコントラストグラフモデリング(C-Graph)を提案する。
  論文  参考訳（メタデータ） (2025-12-25T14:00:17Z)
• The 1st Solution for CARE Liver Task Challenge 2025: Contrast-Aware Semi-Supervised Segmentation with Domain Generalization and Test-Time Adaptation [23.156209918252838]
  CoSSeg-TTA は nnU-Netv2 上に構築された GED4 (Gd-EOB-DTPA 拡張肝胆道相MRI) のコンパクトセグメンテーションフレームワークである。 ドメイン適応モジュールは、ランダム化されたヒストグラムスタイルの外観伝達関数とトレーニング可能なコントラスト対応ネットワークを組み込んで、ドメインの多様性を強化し、センター間の変動を緩和する。
  論文  参考訳（メタデータ） (2025-10-05T15:18:53Z)
• Hierarchical Self-Supervised Representation Learning for Depression Detection from Speech [51.14752758616364]
  音声による抑うつ検出 (SDD) は、従来の臨床評価に代わる有望で非侵襲的な代替手段である。 HAREN-CTCは,マルチタスク学習フレームワーク内でのクロスアテンションを用いて,多層SSL機能を統合した新しいアーキテクチャである。 このモデルはDAIC-WOZで0.81、MODMAで0.82の最先端マクロF1スコアを達成し、両方の評価シナリオで先行手法より優れている。
  論文  参考訳（メタデータ） (2025-10-05T09:32:12Z)
• Learning from Heterogeneous Structural MRI via Collaborative Domain Adaptation for Late-Life Depression Assessment [24.340328016766183]
  T1強調MRIを用いたLDD検出のための協調的ドメイン適応フレームワークを提案する。 このフレームワークは、ラベル付きソースデータに対する教師付きトレーニング、自己教師付きターゲット特徴適応、ラベルなしターゲットデータに対する協調トレーニングの3段階で構成されている。 マルチサイトT1強調MRIデータを用いて行った実験により、このフレームワークは最先端の非教師なし領域適応法より一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-07-30T01:38:32Z)
• 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)
• 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)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Self-supervised Semantic Segmentation: Consistency over Transformation [3.485615723221064]
  Inception Large Kernel Attention (I-LKA) モジュールをベースとしたロバストなフレームワークを統合した新しい自己教師型アルゴリズム textbfS$3$-Net を提案する。 我々は、変形可能な畳み込みを積分成分として利用し、優れた物体境界定義のための歪み変形を効果的に捕捉し、デライン化する。 皮膚病変および肺臓器の分節タスクに関する実験結果から,SOTA法と比較して,本手法の優れた性能を示した。
  論文  参考訳（メタデータ） (2023-08-31T21:28:46Z)

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。