論文の概要: MedCRP-CL: Continual Medical Image Segmentation via Bayesian Nonparametric Semantic Modality Discovery

• arxiv url: http://arxiv.org/abs/2605.20297v1
• Date: Tue, 19 May 2026 11:28:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.280639
• Title: MedCRP-CL: Continual Medical Image Segmentation via Bayesian Nonparametric Semantic Modality Discovery
• Title（参考訳）: MedCRP-CL:ベイジアン非パラメトリック・セマンティック・モダリティ発見による連続的医用画像分割
• Authors: Ziyuan Gao,
• Abstract要約: MedCRP-CLは,オンラインタスク構造探索と構造認識連続学習を行うフレームワークである。 物理的画像モダリティよりも微細な構造を捉えることで,これらの意味的モダリティを表現した。 4つの画像モダリティにまたがる16の医療セグメンテーションタスクの実験では、MedCRP-CLが73.3%のDiceスコアを達成し、わずか4.1%が忘れている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical image segmentation faces a fundamental challenge in continual learning: data arrives sequentially from heterogeneous sources, yet effective continual learning requires discovering which tasks share sufficient structure to benefit from joint learning. Existing methods either apply uniform constraints across all tasks, causing catastrophic forgetting when tasks conflict, or require predefined task groupings that cannot anticipate future task diversity. We introduce MedCRP-CL, a framework that performs online task structure discovery and structure-aware continual learning. Leveraging the Chinese Restaurant Process (CRP), our method dynamically infers task groupings from clinical text prompts as tasks arrive, without requiring predefined cluster counts or access to future tasks. We term these discovered groupings semantic modalities, as they capture finer-grained structure than physical imaging modalities by integrating anatomical region and pathological context. Guided by this discovered structure, we maintain semantic modality-specific LoRA adapters regularized by intra-modality EWC, ensuring parameter isolation across dissimilar task groups while facilitating knowledge transfer within similar ones. The framework is also replay-free, storing only aggregate statistics rather than raw patient data. Experiments on 16 medical segmentation tasks across four imaging modalities demonstrate that MedCRP-CL achieves 73.3% Dice score with only 4.1% forgetting, outperforming the best baseline by 8.0% while requiring 6$\times$ fewer parameters. Code is available at https://github.com/zygao930/MedCRP-CL.
• Abstract（参考訳）: 医用画像のセグメンテーションは、連続学習において根本的な課題に直面している。データは不均一なソースから順次到着するが、効果的な連続学習には、共同学習の恩恵を受けるのに十分な構造を共有するタスクを見つける必要がある。 既存の方法は全てのタスクに一様制約を適用し、タスクが衝突した場合に壊滅的な忘れを生じさせるか、あるいは将来のタスクの多様性を予測できない事前定義されたタスクグループ化を必要とする。 MedCRP-CLは,オンラインタスク構造探索と構造認識連続学習を行うフレームワークである。 中国レストランプロセス(CRP)を利用することで、予め定義されたクラスタ数や将来のタスクへのアクセスを必要とせず、タスクが到着するにつれて、臨床テキストプロンプトからタスクグループ化を動的に推論する。 本研究は,解剖学的領域と病理学的文脈を統合することにより,物理的画像像よりも細粒度構造を捉えることにより,グループ化のセマンティック・モダリティを表現した。 この構造に導かれ、我々は、モジュール内EWCで正規化される意味モダリティ固有のLoRAアダプタを維持し、類似したタスク群間のパラメータ分離を保証し、類似のタスク群内での知識伝達を容易にする。 フレームワークはリプレイフリーで、生の患者データではなく集計統計のみを保存する。 4つの画像モダリティにわたる16の医療セグメンテーションタスクの実験では、MedCRP-CLは73.3%のDiceスコアを達成し、わずか4.1%しか忘れておらず、最高のベースラインを8.0%上回り、6$\times$パラメータを減らした。 コードはhttps://github.com/zygao930/MedCRP-CLで入手できる。

関連論文リスト

• TP-Seg: Task-Prototype Framework for Unified Medical Lesion Segmentation [17.49886552219562]
  本稿では,統合型医療病変分類のためのタスクプロトタイプフレームワークであるTP-Segを提案する。 TP-Segは、デュアルパスの専門家構造を通じて効果的に共有され、タスク固有の表現のバランスをとる。 専門的、一般的、統一的なセグメンテーション手法を8つの異なる医学的病変セグメンテーションタスクで一貫して上回っている。
  論文  参考訳（メタデータ） (2026-04-01T09:41:18Z)
• CLoPA: Continual Low Parameter Adaptation of Interactive Segmentation for Medical Image Annotation [1.271337683889894]
  インタラクティブセグメンテーションにより、臨床医はアノテーションをガイドできる。 しかし、nnInteractiveのような既存のゼロショットモデルは、常に専門家レベルのパフォーマンスに達することができません。 我々は、アノテーションキャッシュ上でnnInteractiveのパラメータのごく一部をチューニングする連続的な適応戦略であるCLoPAを提案する。
  論文  参考訳（メタデータ） (2026-03-06T16:03:20Z)
• TGC-Net: A Structure-Aware and Semantically-Aligned Framework for Text-Guided Medical Image Segmentation [56.09179939570486]
  本稿では,パラメータ効率,タスク固有適応に着目したCLIPベースのフレームワークであるTGC-Netを提案する。 TGC-Netは、挑戦的なベンチマークで顕著なDiceゲインを含む、トレーニング可能なパラメータをかなり少なくして、最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-12-24T12:06:26Z)
• Align Your Query: Representation Alignment for Multimodality Medical Object Detection [55.86070915426998]
  本稿では,表現をモダリティの文脈と整合させる検出非依存の枠組みを提案する。 モーダリティトークンをマルチモーダリティコンテキスト注意による検出プロセスに統合する。 提案されたアプローチは、最小限のオーバーヘッドとアーキテクチャの変更を伴わず、APを継続的に改善する。
  論文  参考訳（メタデータ） (2025-10-03T07:49:21Z)
• Generalized Contrastive Learning for Universal Multimodal Retrieval [53.70202081784898]
  クロスモーダル検索モデル(例えばCLIP)は、融合した画像テキストのモダリティからなるキーを検索することで、劣化したパフォーマンスを示す。 本稿では,新たなデータセットキュレーションを必要とせずに,マルチモーダル検索性能を向上させる新しい損失定式化である汎用コントラスト学習(GCL)を提案する。
  論文  参考訳（メタデータ） (2025-09-30T01:25:04Z)
• MedSeqFT: Sequential Fine-tuning Foundation Models for 3D Medical Image Segmentation [55.37355146924576]
  MedSeqFTは、医用画像解析のためのシーケンシャルな微調整フレームワークである。 事前訓練されたモデルを新しいタスクに適応させ、表現能力を改善する。 最先端の微調整戦略を一貫して上回ります。
  論文  参考訳（メタデータ） (2025-09-07T15:22:53Z)
• Robust Divergence Learning for Missing-Modality Segmentation [6.144772447916824]
  マルチモーダルMRI(Multimodal Magnetic Resonance Imaging)は、脳腫瘍の亜領域を解析するための重要な補完情報を提供する。 自動セグメンテーションのための4つの一般的なMRIモダリティを用いた手法は成功しているが、画像品質の問題、一貫性のないプロトコル、アレルギー反応、コスト要因などにより、モダリティの欠如に悩まされることが多い。 H"古い発散と相互情報に基づく新しい単一モード並列処理ネットワークフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-13T03:03:30Z)
• Repurposing Foundation Model for Generalizable Medical Time Series Classification [16.21546283978257]
  FORMEDは、バックボーン基盤モデルを再利用して、目に見えないデータセット上で高度に一般化可能なMedTS分類を可能にするフレームワークである。 我々は,5種類のMedTSデータセットを用いて,11のタスク特化モデル (TSM) と4のタスク特化適応 (TSA) 手法のベンチマークを行った。 以上の結果から,F1スコア(ADFTDデータセット上で)を最大35%向上させることができた。
  論文  参考訳（メタデータ） (2024-10-03T23:50:04Z)
• Self-Supervised Neuron Segmentation with Multi-Agent Reinforcement Learning [53.00683059396803]
  マスク画像モデル(MIM)は,マスク画像から元の情報を復元する簡便さと有効性から広く利用されている。 本稿では、強化学習(RL)を利用して最適な画像マスキング比とマスキング戦略を自動検索する決定に基づくMIMを提案する。 本手法は,ニューロン分節の課題において,代替自己監督法に対して有意な優位性を有する。
  論文  参考訳（メタデータ） (2023-10-06T10:40:46Z)
• Active learning using adaptable task-based prioritisation [7.0002224852386545]
  我々は,バッチモードのアクティブ学習のように,バッチ列内の画像の優先度を測定するコントローラニューラルネットワークを開発した。 メタ強化学習アルゴリズムは複数のMDPを用いて提案され、事前学習したコントローラを新しいMDPに適応させることができる。 提案法により, 腎臓の新しい分類のセグメンテーション精度が向上することが示唆された。
  論文  参考訳（メタデータ） (2022-12-03T22:37:38Z)
• 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。