論文の概要: Beyond Forgetting in Continual Medical Image Segmentation: A Comprehensive Benchmark Study
- arxiv url: http://arxiv.org/abs/2605.06160v1
- Date: Thu, 07 May 2026 12:48:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-08 22:27:11.790532
- Title: Beyond Forgetting in Continual Medical Image Segmentation: A Comprehensive Benchmark Study
- Title（参考訳）: 医用画像の連続的セグメンテーションにおける留意点を超えて : 総合的なベンチマーク研究
- Authors: Bomin Wang, Hangqi Zhou, Yibo Gao, Xiahai Zhuang,
- Abstract要約: 本稿では,連続的な医用画像のセグメンテーションに関するベンチマーク研究を行う。
まず, 中心領域シフト, 段階的解剖学的構造セグメンテーション, 組織横断セグメンテーションの3つのシナリオを定義した。
次に,一般的な性能と忘れるだけでなく,可塑性,前方一般化性,パラメータ効率,再生負担を計測する評価フレームワークを導入する。
- 参考スコア（独自算出の注目度）: 12.877570856116428
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Continual learning (CL) is essential for deploying medical image segmentation models in clinical environments where imaging domains, anatomical targets, and diagnostic tasks evolve over time. However, continual segmentation still faces three main challenges. First, the scenarios for this task remain insufficiently standardized for real-world clinical settings. Second, existing research has been primarily focused on mitigating forgetting, overlooking the other essential properties such as plasticity. Third, a benchmark work with comprehensive evaluation on existing methods is stll desirable. To address these gaps, we present such benchmark study of continual medical image segmentation. We first define three clinically motivated scenarios, namely Domain-CL, Class-CL, and Organ-CL, to respectively capture the cross-center domain shift, the incremental anatomical structure segmentation, and the cross-organ segmentation. We then introduce an evaluation framework that measures not only general performance and forgetting, but also plasticity, forward generalizability, parameter efficiency, and replay burden. The results, from extensive experiments with representative CL methods, showed that it was still challenging to develop a model that could satisfy all the requirements simultaneously. Nevertheless, these studies also suggested that the replay-based methods achieve the best overall balance between stability and plasticity, the parameter-isolation methods should be effective at reducing forgetting, though at the cost of increased model size, and the forward generalizability remain a significantly understudied aspect of this research field. Finally, we discuss related learning paradigms and outline future directions for continual medical image segmentation.
- Abstract（参考訳）: 連続学習(CL)は、画像領域、解剖学的対象、診断タスクが時間とともに進化する臨床環境において、医療画像セグメンテーションモデルを展開するために不可欠である。
しかし、連続的なセグメンテーションは依然として3つの大きな課題に直面している。
第一に、このタスクのシナリオは、実際の臨床環境では不十分に標準化されている。
第二に、既存の研究は主に忘れを緩和することに焦点を当てており、可塑性のような他の重要な性質を見下ろしている。
第三に、既存のメソッドに関する包括的な評価を伴うベンチマーク作業は、非常に望ましい。
これらのギャップに対処するため, 連続的な医用画像のセグメンテーションに関するベンチマーク研究を行った。
まず,3つの臨床的に動機付けられたシナリオ,すなわちDomain-CL,Class-CL,Organ-CLを定義し,それぞれが中心領域シフト,段階的解剖学的構造セグメンテーション,組織横断セグメンテーションを捉えた。
次に,一般的な性能と忘れるだけでなく,可塑性,前方一般化性,パラメータ効率,再生負担を計測する評価フレームワークを導入する。
その結果,全ての要件を同時に満たすモデルを開発することは依然として困難であることが判明した。
それにもかかわらず、これらの研究は、リプレイベースの手法が安定性と塑性のバランスを最大限に保ち、パラメータアイソレーション法は、モデルサイズを増大させるコストを犠牲にしながらも、忘れを抑えるのに効果的であるべきであり、この研究分野の先進的な一般化性は、依然としてかなり検討されている側面のままである、と示唆した。
最後に、関連する学習パラダイムについて議論し、連続的な医用画像セグメンテーションの今後の方向性を概説する。
関連論文リスト
- Bridging the Domain Divide: Supervised vs. Zero-Shot Clinical Section Segmentation from MIMIC-III to Obstetrics [6.451459735222387]
我々は3つの重要な貢献を通じて,臨床領域のセグメンテーションを進めた。
我々は、新たに同定されていない、セクションラベル付き産婦人科のノートデータセットをキュレートする。
我々は,MIMIC-III のキュレートされた部分集合上でのセクションセグメンテーションのためのトランスフォーマーに基づく教師付きモデルの評価を行った。
論文 参考訳（メタデータ） (2026-02-19T16:25:07Z) - A Continual Learning-driven Model for Accurate and Generalizable Segmentation of Clinically Comprehensive and Fine-grained Whole-body Anatomies in CT [67.34586036959793]
完全に注釈付きCTデータセットは存在せず、すべての解剖学がトレーニングのために記述されている。
完全解剖を分割できる連続学習駆動CTモデルを提案する。
単体CT分割モデルCL-Netは, 臨床的に包括的に包括的に235個の粒状体解剖の集合を高精度に分割することができる。
論文 参考訳（メタデータ） (2025-03-16T23:55:02Z) - Dynamically evolving segment anything model with continuous learning for medical image segmentation [50.92344083895528]
ダイナミックに進化する医療画像セグメンテーションモデルであるEvoSAMを紹介する。
EvoSAMは、継続的に拡張されるシナリオとタスクの配列から新しい知識を蓄積する。
血管セグメンテーションに関する外科医による実験により、EvoSAMはユーザプロンプトに基づいてセグメンテーション効率を高めることが確認された。
論文 参考訳（メタデータ） (2025-03-08T14:37:52Z) - MedCLIP-SAMv2: Towards Universal Text-Driven Medical Image Segmentation [2.2585213273821716]
MedCLIP-SAMv2はCLIPとSAMモデルを統合して臨床スキャンのセグメンテーションを行う新しいフレームワークである。
提案手法は,DHN-NCE(Decoupled Hard Negative Noise Contrastive Estimation)によるBiomedCLIPモデルの微調整を含む。
また,ゼロショットセグメンテーションラベルを弱教師付きパラダイム内で使用することにより,セグメンテーション品質をさらに向上する。
論文 参考訳（メタデータ） (2024-09-28T23:10:37Z) - MedCLIP-SAM: Bridging Text and Image Towards Universal Medical Image Segmentation [2.2585213273821716]
本稿では,CLIPモデルとSAMモデルを組み合わせて臨床スキャンのセグメンテーションを生成する新しいフレームワーク MedCLIP-SAM を提案する。
3つの多様なセグメンテーションタスクと医用画像モダリティを広範囲にテストすることにより、提案手法は優れた精度を示した。
論文 参考訳（メタデータ） (2024-03-29T15:59:11Z) - Rethinking Semi-Supervised Medical Image Segmentation: A
Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。
まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。
5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文 参考訳（メタデータ） (2023-02-03T13:50:25Z) - Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。
まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。
第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
論文 参考訳（メタデータ） (2022-09-27T15:50:31Z) - Self-supervised Answer Retrieval on Clinical Notes [68.87777592015402]
本稿では,ドメイン固有パスマッチングのためのトランスフォーマー言語モデルをトレーニングするためのルールベースのセルフスーパービジョンであるCAPRを紹介する。
目的をトランスフォーマーベースの4つのアーキテクチャ、コンテキスト文書ベクトル、ビ-、ポリエンコーダ、クロスエンコーダに適用する。
本稿では,ドメイン固有パスの検索において,CAPRが強いベースラインを上回り,ルールベースおよび人間ラベル付きパスを効果的に一般化することを示す。
論文 参考訳（メタデータ） (2021-08-02T10:42:52Z) - Robust Medical Instrument Segmentation Challenge 2019 [56.148440125599905]
腹腔鏡装置の術中追跡は、しばしばコンピュータとロボットによる介入の必要条件である。
本研究の課題は,30の手術症例から取得した10,040枚の注釈画像からなる外科的データセットに基づいていた。
結果は、初期仮説、すなわち、アルゴリズムの性能がドメインギャップの増大とともに低下することを確認する。
論文 参考訳（メタデータ） (2020-03-23T14:35:08Z)
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。