論文の概要: Unsupervised Adaptation from FDG to PSMA PET/CT for 3D Lesion Detection under Label Shift
- arxiv url: http://arxiv.org/abs/2603.13666v1
- Date: Sat, 14 Mar 2026 00:25:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-17 16:19:35.325488
- Title: Unsupervised Adaptation from FDG to PSMA PET/CT for 3D Lesion Detection under Label Shift
- Title（参考訳）: ラベルシフトによる3次元病変検出のためのFDGからPSMA PET/CTへの非教師なし適応
- Authors: Xiaofeng Liu, Menghua Xia, Yanis Chemli, Georges El Fakhri, Chi Liu, Jinsong Ouyang,
- Abstract要約: ラベル付きFDG PET/CTでトレーニングされた検出器をラベル付きPSMA PET/CTに適応させる3次元病変検出のための教師なし領域適応フレームワークを提案する。
このラベルシフトを明示的にモデル化し,補償する2つのメカニズムによる自己学習を導入する。
AutoPET 2024では、501ラベルのFDG研究から369ドルの18ドルF-PSMA研究に適応し、提案手法はソースのみのベースラインよりもAPとFROCの両方を改善する。
- 参考スコア（独自算出の注目度）: 7.527855314535418
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this work, we propose an unsupervised domain adaptation (UDA) framework for 3D volumetric lesion detection that adapts a detector trained on labeled FDG PET/CT to unlabeled PSMA PET/CT. Beyond covariate shift, cross tracer adaptation also exhibits label shift in both lesion size composition and the number of lesions per subject. We introduce self-training with two mechanisms that explicitly model and compensate for this label shift. First, we adaptively adjust the detection anchor shapes by re-estimating target domain box scales from selected pseudo labels and updating anchors with an exponential moving average. This increases positive anchor coverage for small PSMA lesions and stabilizes box regression. Second, instead of a fixed confidence threshold for pseudo-label selection, we allocate size bin-wise quotas according to the estimated target domain histogram over lesion volumes. The self-training alternates between supervised learning with prior-guided pseudo labeling on PSMA and supervised learning on labeled FDG. On AutoPET 2024, adapting from 501 labeled FDG studies to 369 $^{18}$F-PSMA studies, the proposed method improves both AP and FROC over the source-only baseline and conventional self-training without label-shift mitigation, indicating that modeling target lesion prevalence and size composition is an effective path to robust cross-tracer detection.
- Abstract（参考訳）: 本研究では,FDG PET/CTをラベル付きPSMA PET/CTに適応させる3次元ボリューム病変検出のための教師なし領域適応(UDA)フレームワークを提案する。
コバリアートシフト以外にも、クロストレーサー適応は、病変の大きさと被検者ごとの病変数の両方においてラベルシフトを示す。
このラベルシフトを明示的にモデル化し,補償する2つのメカニズムによる自己学習を導入する。
まず、選択した擬似ラベルからターゲットドメインボックススケールを再推定し、指数的な移動平均でアンカーを更新することにより、検出アンカー形状を適応的に調整する。
これにより、小さなPSMA病変に対する正のアンカーカバレッジが増加し、ボックス回帰が安定化する。
第2に, 疑似ラベル選択のための信頼度閾値を固定する代わりに, 病変量を推定した対象領域のヒストグラムに基づいて, 大きさを2倍に割り当てる。
自己学習は,PSMA上での教師付き学習と,ラベル付きFDG上での教師付き学習とを交互に行う。
AutoPET 2024では、501ラベルのFDG研究から369$^{18}$F-PSMA研究に適応し、本手法は、ソースのみのベースラインよりもAPとFROCを改良し、ラベルシフトを緩和することなく従来の自己学習を改良し、標的病変の頻度とサイズ組成をモデル化することが、堅牢なクロストラック検出への有効な経路であることを示す。
関連論文リスト
- Using Unsupervised Domain Adaptation Semantic Segmentation for Pulmonary Embolism Detection in Computed Tomography Pulmonary Angiogram (CTPA) Images [0.0]
非教師なしドメイン適応(UDA)フレームワークはTransformerのバックボーンとMean-Teacherアーキテクチャを使って、センター間のセマンティックセマンティックセグメンテーションを実現する。
主な焦点は、特徴空間内の深い構造情報を学習することで、擬似ラベルの信頼性を高めることである。
クロスセンタデータセット(FUMPEとCAD-PE)で実施した実験的検証は、大幅な性能向上を示す。
論文 参考訳（メタデータ） (2026-02-23T14:33:24Z) - Beyond Strong labels: Weakly-supervised Learning Based on Gaussian Pseudo Labels for The Segmentation of Ellipse-like Vascular Structures in Non-contrast CTs [4.765753560367118]
本稿では,CTスキャンにおける血管構造に基づく深層学習のための弱教師付きフレームワークを提案する。
提案手法の有効性を1つのローカルデータセットと2つのパブリックデータセットで評価する。
論文 参考訳（メタデータ） (2024-02-05T20:08:53Z) - PAD-Phys: Exploiting Physiology for Presentation Attack Detection in
Face Biometrics [48.683457383784145]
r: (i) 生理領域, (ii) ディープフェイクス領域, (iii) プレゼンテーション攻撃領域に基づく提示攻撃検出のための3つのアプローチ
その結果、プレゼンテーションアタックドメインを生理的およびディープフェイクスドメインと比較すると、平均分類誤り率(ACER)が21.70%減少していることがわかった。
実験では、r-ベースモデルにおける伝達学習の効率を強調し、この生理的特徴のコピーを許さない機器での提示攻撃検出をうまく行う。
論文 参考訳（メタデータ） (2023-10-03T15:24:15Z) - UPL-SFDA: Uncertainty-aware Pseudo Label Guided Source-Free Domain
Adaptation for Medical Image Segmentation [21.583847757015157]
医用画像セグメンテーションのための新しいuncertainty-aware Pseudo Label guided (UPL)法を提案する。
具体的には,ターゲット領域における予測の多様性を高めるために,ターゲット領域成長(TDG)を提案する。
また,ある前方パスで得られた疑似ラベルを用いて,次の前方パスで予測を監督するTwice Forward Pass Supervision(TFS)戦略を提案する。
論文 参考訳（メタデータ） (2023-09-19T01:52:37Z) - Revisiting Domain-Adaptive 3D Object Detection by Reliable, Diverse and
Class-balanced Pseudo-Labeling [38.07637524378327]
ドメイン適応型3Dオブジェクト検出において,疑似ラベリング技術を用いた教師なしドメイン適応(DA)が重要なアプローチとして浮上している。
既存のDAメソッドは、マルチクラスのトレーニング環境に適用した場合、パフォーマンスが大幅に低下する。
本稿では,すべてのクラスを一度に検出する学習に適した新しいReDBフレームワークを提案する。
論文 参考訳（メタデータ） (2023-07-16T04:34:11Z) - Augment and Criticize: Exploring Informative Samples for Semi-Supervised
Monocular 3D Object Detection [64.65563422852568]
我々は、一般的な半教師付きフレームワークを用いて、難解な単分子3次元物体検出問題を改善する。
我々は、ラベルのないデータから豊富な情報的サンプルを探索する、新しい、シンプルで効果的なAugment and Criticize'フレームワークを紹介します。
3DSeMo_DLEと3DSeMo_FLEXと呼ばれる2つの新しい検出器は、KITTIのAP_3D/BEV(Easy)を3.5%以上改善した。
論文 参考訳（メタデータ） (2023-03-20T16:28:15Z) - Bilinear pooling and metric learning network for early Alzheimer's
disease identification with FDG-PET images [0.293168019422713]
軽度認知障害(MCI)およびアルツハイマー病(AD)患者におけるFDG-PETによる脳代謝の変化
本稿では,地域間表現の特徴を抽出し,組込み空間によるハードサンプルの識別が可能な,新しいバイリニアプールとメートル法学習ネットワーク(BMNet)を提案する。
論文 参考訳（メタデータ） (2021-11-09T08:17:55Z) - Rethinking Pseudo Labels for Semi-Supervised Object Detection [84.697097472401]
物体検出に適した確実な擬似ラベルを導入する。
我々は,クラス不均衡問題を緩和するために,各カテゴリの擬似ラベルと再重み付き損失関数を生成するために使用する閾値を動的に調整する。
提案手法では,COCOのラベル付きデータのみを用いて,教師付きベースラインを最大10%改善する。
論文 参考訳（メタデータ） (2021-06-01T01:32:03Z) - Cycle Self-Training for Domain Adaptation [85.14659717421533]
Cycle Self-Training (CST) は、ドメイン間の一般化に擬似ラベルを強制する、原則付き自己学習アルゴリズムである。
CSTは目標の真理を回復し、不変の機能学習とバニラ自己訓練の両方が失敗する。
実験結果から,標準的なUDAベンチマークでは,CSTは先行技術よりも大幅に改善されていることが示唆された。
論文 参考訳（メタデータ） (2021-03-05T10:04:25Z)
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。