論文の概要: Bi-CRCL: Bidirectional Conservative-Radical Complementary Learning with Pre-trained Foundation Models for Class-incremental Medical Image Analysis
- arxiv url: http://arxiv.org/abs/2603.23729v1
- Date: Tue, 24 Mar 2026 21:25:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-26 21:06:11.029868
- Title: Bi-CRCL: Bidirectional Conservative-Radical Complementary Learning with Pre-trained Foundation Models for Class-incremental Medical Image Analysis
- Title（参考訳）: Bi-CRCL:2方向の保守的・ラディカル補完学習 : 臨床画像解析のための事前学習基礎モデル
- Authors: Xinyao Wu, Zhe Xu, Cheng Chen, Jiawei Ma, Yefeng Zheng, Raymond Kai-yu Tong,
- Abstract要約: 医用画像誘導診断におけるクラスインクリメンタルラーニング(CIL)は、新たに出現する疾患のカテゴリに適応しつつ、事前診断知識を維持する必要がある。
補完学習システムにインスパイアされた二重学習フレームワークBi-CRCLを提案する。
5つの医用画像データセットの実験では、様々な条件下での最先端の手法に対する一貫した改善が示されている。
- 参考スコア（独自算出の注目度）: 35.9133156067447
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Class-incremental learning (CIL) in medical image-guided diagnosis requires retaining prior diagnostic knowledge while adapting to newly emerging disease categories, which is critical for scalable clinical deployment. This problem is particularly challenging due to heterogeneous data and privacy constraints that prevent memory replay. Although pretrained foundation models (PFMs) have advanced general-domain CIL, their potential in medical imaging remains underexplored, where domain-specific adaptation is essential yet difficult due to anatomical complexity and inter-institutional heterogeneity. To address this gap, we conduct a systematic benchmark of recent PFM-based CIL methods and propose Bidirectional Conservative-Radical Complementary Learning (Bi-CRCL), a dual-learner framework inspired by complementary learning systems. Bi-CRCL integrates a conservative learner that preserves prior knowledge through stability-oriented updates and a radical learner that rapidly adapts to new categories via plasticity-oriented learning. A bidirectional interaction mechanism enables forward transfer and backward consolidation, allowing continual integration of new knowledge while mitigating catastrophic forgetting. During inference, outputs from both learners are adaptively fused for robust predictions. Experiments on five medical imaging datasets demonstrate consistent improvements over state-of-the-art methods under diverse settings, including cross-dataset shifts and varying task configurations.
- Abstract（参考訳）: 医用画像誘導診断におけるクラスインクリメンタルラーニング(CIL)は,新たな疾患カテゴリに適応しつつ,先行診断知識を維持する必要がある。
この問題は、メモリの再生を妨げる不均一なデータとプライバシの制約のため、特に難しい。
プレトレーニングされた基礎モデル(PFM)は、先進的な一般ドメインCILを持つが、医学的イメージングにおけるそのポテンシャルは未解明のままであり、ドメイン固有の適応は、解剖学的複雑さと制度間不均一性のために不可欠であるが困難である。
このギャップに対処するため、最近のPFMベースのCIL手法の体系的ベンチマークを行い、補完学習システムに着想を得た双方向保守・ラディカル補完学習(Bi-CRCL)を提案する。
Bi-CRCLは、安定性指向の更新を通じて事前知識を保存する保守的な学習者と、塑性指向の学習を通じて新しいカテゴリに迅速に適応する急進的な学習者を統合する。
双方向の相互作用機構は、前方移行と後方統合を可能にし、破滅的な忘れを緩和しながら、新しい知識の継続的な統合を可能にする。
推論中、両方の学習者の出力は、堅牢な予測のために適応的に融合される。
5つの医療画像データセットの実験では、クロスデータセットシフトやタスク構成の変更など、さまざまな設定下での最先端メソッドに対する一貫した改善が示されている。
関連論文リスト
- Pathology-Aware Multi-View Contrastive Learning for Patient-Independent ECG Reconstruction [0.12277343096128711]
Pathology-Aware Multi-View Contrastive Learningは、病理多様体を通して潜在空間を規則化するフレームワークである。
我々のアーキテクチャは、高忠実度時間領域波形と、教師付きコントラストアライメントによって学習された病理認識埋め込みを統合している。
PTB-XLデータセットでは,患者非依存環境での最先端モデルと比較して,RMSEの約76%の削減が達成されている。
論文 参考訳（メタデータ） (2026-03-18T01:06:30Z) - MedPEFT-CL: Dual-Phase Parameter-Efficient Continual Learning with Medical Semantic Adapter and Bidirectional Memory Consolidation [0.0]
医用視覚言語セグメンテーションモデルは、新しい解剖学的構造に適応する際の破滅的な忘れ込みに悩まされる。
MedPEFT-CLは、新しいタスクの効率的な学習と過去の知識の保存の両方に対処するパラメータ効率のよい連続学習フレームワークである。
本研究の主な貢献は,(1)新しい医療課題の効率的な学習を可能にするセマンティック・アクセプション・アロケーション・メカニズム,(2)クロスモーダル・ラーニングを維持しながらトレーニング可能なパラメータを著しく削減するバイモーダル・ロラ適応,(3)以前の医療課題から破滅的な忘れを抑える双方向のフィッシャー・メモリ・コーディネーションである。
論文 参考訳（メタデータ） (2025-11-21T03:39:48Z) - Self-Supervised Cross-Encoder for Neurodegenerative Disease Diagnosis [6.226851122403944]
縦型MRIスキャンにおける時間的連続性を利用した自己監督型クロスエンコーダフレームワークを提案する。
このフレームワークは、学習した表現を2つのコンポーネントに分解する: 静的表現は、対照的な学習によって制約され、安定した解剖学的特徴を捉え、動的表現は、時間的変化を反映する入力漸進正規化によってガイドされる。
アルツハイマー病神経画像イニシアチブデータセットの実験結果から,本手法は分類精度が向上し,解釈性が向上することが示された。
論文 参考訳（メタデータ） (2025-09-09T11:52:24Z) - NEARL-CLIP: Interacted Query Adaptation with Orthogonal Regularization for Medical Vision-Language Understanding [51.63264715941068]
textbfNEARL-CLIP (iunderlineNteracted quunderlineEry underlineAdaptation with ounderlineRthogonaunderlineL regularization)は、VLMベースの新しい相互モダリティ相互作用フレームワークである。
論文 参考訳（メタデータ） (2025-08-06T05:44:01Z) - 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) - Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites:
A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。
我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。
また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
論文 参考訳（メタデータ） (2023-08-31T00:36:10Z) - Taxonomy Adaptive Cross-Domain Adaptation in Medical Imaging via
Optimization Trajectory Distillation [73.83178465971552]
自動医用画像解析の成功は、大規模かつ専門家による注釈付きトレーニングセットに依存する。
非教師なしドメイン適応(UDA)はラベル付きデータ収集の負担を軽減するための有望なアプローチである。
本稿では,2つの技術的課題に新しい視点から対処する統一的手法である最適化トラジェクトリ蒸留を提案する。
論文 参考訳（メタデータ） (2023-07-27T08:58:05Z) - Adapter Learning in Pretrained Feature Extractor for Continual Learning
of Diseases [66.27889778566734]
現在、インテリジェント診断システムには、デプロイされたばかりの新しい病気を継続的に診断する能力がない。
特に、新しい疾患のトレーニングデータを用いたインテリジェント診断システムの更新は、古い疾患の知識を壊滅的に忘れてしまう可能性がある。
ACLと呼ばれるアダプタベースの連続学習フレームワークは、新しい病気の集合を効果的に学習するために提案されている。
論文 参考訳（メタデータ） (2023-04-18T15:01:45Z) - Learning Binary Semantic Embedding for Histology Image Classification
and Retrieval [56.34863511025423]
バイナリ・セマンティック・エンベディング(LBSE)の学習方法を提案する。
効率的な埋め込み、分類、検索を行い、組織像の解釈可能なコンピュータ支援診断を提供する。
3つのベンチマークデータセットで実施された実験は、様々なシナリオにおいてLBSEの優位性を検証する。
論文 参考訳（メタデータ） (2020-10-07T08:36:44Z)
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。