論文の概要: EviATTA: Evidential Active Test-Time Adaptation for Medical Segment Anything Models

• arxiv url: http://arxiv.org/abs/2603.14666v1
• Date: Sun, 15 Mar 2026 23:46:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.950311
• Title: EviATTA: Evidential Active Test-Time Adaptation for Medical Segment Anything Models
• Title（参考訳）: EviATTA:医療セグメントの任意のモデルに対する有効テスト時間適応
• Authors: Jiayi Chen, Yasmeen George, Winston Chong, Jianfei Cai,
• Abstract要約: Evidential Active Test-Time Adaptation (EviATTA, Evidential Active Test-Time Adaptation) を提案する。 具体的には,ディリクレに基づくエビデンシャル・モデリングを用いて,分布の不確実性とデータの不確実性に全体的予測の不確実性を分解する。 EviATTAはバッチワイドとインスタンスワイドの両方のテスト時間適応設定の下で,最小限のエキスパートフィードバックで適応信頼性を継続的に向上することを示す。
• 参考スコア（独自算出の注目度）: 26.560028123695517
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deploying foundational medical Segment Anything Models (SAMs) via test-time adaptation (TTA) is challenging under large distribution shifts, where test-time supervision is often unreliable. While active test-time adaptation (ATTA) introduces limited expert feedback to improve reliability, existing ATTA methods still suffer from unreliable uncertainty estimation and inefficient utilization of sparse annotations. To address these issues, we propose Evidential Active Test-Time Adaptation (EviATTA), which is, to our knowledge, the first ATTA framework tailored for medical SAMs. Specifically, we adopt the Dirichlet-based Evidential Modeling to decompose overall predictive uncertainty into distribution uncertainty and data uncertainty. Building on this decomposition, we design a Hierarchical Evidential Sampling strategy, where image-wise distribution uncertainty is used to select informative shifted samples, while distance-aware data uncertainty guides sparse pixel annotations to resolve data ambiguities. We further introduce Dual Consistency Regularization, which enforces progressive prompt consistency on sparsely labeled samples to better exploit sparse supervision and applies variational feature consistency on unlabeled samples to stabilize adaptation. Extensive experiments on six medical image segmentation datasets demonstrate that EviATTA consistently improves adaptation reliability with minimal expert feedback under both batch-wise and instance-wise test-time adaptation settings.
• Abstract（参考訳）: テストタイム適応(TTA)を通じた基礎的な医療セグメンテーションモデル(SAMs)のデプロイは、テストタイムの監督が信頼できないことが多い大規模な分散シフトの下で困難である。 アクティブテスト時間適応(ATTA)は信頼性向上のために限られた専門家フィードバックを導入するが、既存のATTA手法は依然として信頼性の低い不確実性評価とスパースアノテーションの非効率利用に悩まされている。 これらの課題に対処するため,我々は医療SAMに適した最初のATTAフレームワークであるEvidential Active Test-Time Adaptation (EviATTA)を提案する。 具体的には,ディリクレに基づくエビデンシャル・モデリングを用いて,分布の不確実性とデータの不確実性に全体的予測の不確実性を分解する。 この分解に基づいて階層的エビデンシャルサンプリング戦略を設計し、情報量分布の不確実性を用いて情報シフトしたサンプルを抽出する一方、距離認識データ不確実性はデータのあいまいさを解決するためにスパースアノテーションを導出する。 さらに、スパース・インスペクションをより効果的に活用するために、スパース・ラベルのサンプルにプログレッシブ・プログレッシブ・プログレッシブ・コンストラクションを強制し、未ラベルのサンプルに変分特徴整合を適用して適応を安定化させるDual Consistency Regularizationを導入する。 6つの医用画像セグメンテーションデータセットに対する大規模な実験により、EviATTAはバッチとインスタンスの両方のテスト時間順応設定の下で、最小限の専門家フィードバックによる適応信頼性を一貫して改善している。

関連論文リスト

• Robust Uncertainty Estimation under Distribution Shift via Difference Reconstruction [2.920726125254978]
  深層学習モデルの不確実性を推定することは、医用画像などの高精細な応用において、信頼性の高い意思決定に不可欠である。 以前の研究では、入力サンプルと再構成されたバージョンの違いが不確実性の指標となることが確認されている。 本研究では、2つの中間層からの入力を再構成し、その出力間の差を不確かさスコアとして測定することにより、この制限を緩和する差分再構成不確実性推定法(DRUE)を提案する。
  論文  参考訳（メタデータ） (2026-01-27T08:23:00Z)
• SConU: Selective Conformal Uncertainty in Large Language Models [59.25881667640868]
  SconU(Selective Conformal Uncertainity)と呼ばれる新しいアプローチを提案する。 我々は,特定の管理可能なリスクレベルで設定されたキャリブレーションの不確実性分布から,与えられたサンプルが逸脱するかどうかを決定するのに役立つ2つの共形p値を開発する。 我々のアプローチは、単一ドメインと学際的コンテキストの両方にわたる誤発見率の厳密な管理を促進するだけでなく、予測の効率を高める。
  論文  参考訳（メタデータ） (2025-04-19T03:01:45Z)
• Adaptive Bidirectional Displacement for Semi-Supervised Medical Image Segmentation [11.195959019678314]
  整合性学習は、半教師付き医療画像セグメンテーションにおいて、ラベルのないデータに取り組むための中心的な戦略である。 本稿では,上記の課題を解決するための適応的双方向変位法を提案する。
  論文  参考訳（メタデータ） (2024-05-01T08:17:43Z)
• Uncertainty-Calibrated Test-Time Model Adaptation without Forgetting [65.21599711087538]
  テスト時間適応(TTA)は、与えられたモデルw.r.t.を任意のテストサンプルに適用することにより、トレーニングデータとテストデータの間の潜在的な分散シフトに取り組むことを目指している。 事前の手法は各テストサンプルに対してバックプロパゲーションを実行するため、多くのアプリケーションに対して許容できない最適化コストがかかる。 本稿では, 有効サンプル選択基準を策定し, 信頼性および非冗長なサンプルを同定する, 効率的なアンチフォッティングテスト時間適応法を提案する。
  論文  参考訳（メタデータ） (2024-03-18T05:49:45Z)
• Generalized Robust Test-Time Adaptation in Continuous Dynamic Scenarios [18.527640606971563]
  テスト時間適応(TTA)は、未ラベルのテストデータストリームのみを使用する推論フェーズにおいて、事前訓練されたモデルに分散をテストする。 本稿では,問題に効果的に対応する汎用ロバストテスト時間適応(GRoTTA)法を提案する。
  論文  参考訳（メタデータ） (2023-10-07T07:13:49Z)
• Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
  機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。 本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:05:36Z)
• Exploiting Sample Uncertainty for Domain Adaptive Person Re-Identification [137.9939571408506]
  各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。 不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2020-12-16T04:09:04Z)

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。