論文の概要: BBR-Net: Boundary-Balanced Replay for Continual Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2606.14731v1
- Date: Tue, 02 Jun 2026 04:10:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-21 20:00:42.753783
- Title: BBR-Net: Boundary-Balanced Replay for Continual Medical Image Segmentation
- Title（参考訳）: BBR-Net:連続医療画像分割のための境界ベースリプレイ
- Authors: Zahid Ullah, Sieun Choi, Jihie Kim,
- Abstract要約: 本研究は, 連続心エコー区分けにおいて, 構造的整合性が知識保持を左右するか否かを考察する。
本稿では,境界対応優先度とクラスバランスを用いて,リプレイサンプルを選択する境界ベースリプレイネットワーク(BBR-Net)を提案する。
- 参考スコア（独自算出の注目度）: 6.121346238869986
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Continual learning for medical image segmentation remains challenging under domain shift because replay-based methods often preserve appearance information without explicitly modeling anatomical structure. This study investigates whether structural consistency governs knowledge retention in continual cardiac ultrasound segmentation. We propose the Boundary-Balanced Replay Network (BBR-Net), which selects replay samples using boundary-aware priority and class balance to preserve anatomically informative regions. The method is evaluated on CAMUS and CardiacNet under forward (CAMUS to CardiacNet) and reverse (CardiacNet to CAMUS) task orders. In the forward setting, BBR-Net retains source-task performance close to an offline joint-training reference, while markedly reducing catastrophic forgetting and preserving competitive target-task adaptation. Ablation results show that boundary-aware prioritization contributes to retention and improves the balance between source-task preservation and target-task adaptation when combined with class-aware sampling. In contrast, the reverse setting reveals that structure-aware replay fails when initial representations are learned from noisy and structurally inconsistent data. To isolate this effect, we conduct a controlled structural perturbation analysis by progressively corrupting source-task boundaries while keeping the dataset, architecture, and training protocol fixed. Forgetting increases consistently as structural reliability decreases, suggesting that replay effectiveness is strongly influenced by the quality of stored structural information, rather than by memory capacity alone. These findings indicate that preserving anatomical structure under domain shift is a central factor in continual medical image segmentation, and that replay mechanisms should account for structural reliability to support robust knowledge retention.
- Abstract（参考訳）: リプレイベースの手法は、解剖学的構造を明示的にモデル化することなく、外見情報を保存することが多いため、領域シフトの下では、医用画像セグメンテーションの継続的な学習は依然として困難である。
本研究は, 連続心エコー区分けにおいて, 構造的整合性が知識保持を左右するか否かを考察する。
本稿では,境界対応優先度とクラスバランスを用いてリプレイサンプルを選択し,解剖学的に情報のある領域を保存する境界ベースリプレイネットワーク(BBR-Net)を提案する。
提案手法は,CAMUS と CardiacNet で,CAMUS から CardiacNet へ) と逆(CardiacNet から CAMUS へ)のタスクオーダで評価する。
フォワード設定では、BBR-Netは、オフラインのジョイントトレーニング基準に近いソースタスク性能を維持しながら、壊滅的な忘れ込みを著しく低減し、競合するターゲットタスク適応を維持する。
アブレーションの結果,境界認識の優先順位付けが保持に寄与し,クラス認識サンプリングと組み合わせることで,ソース・タスク保存とターゲット・タスク適応のバランスが向上することが示された。
対照的に、逆の設定は、初期表現がノイズや構造的に一貫性のないデータから学習されると、構造認識の再生が失敗することを示している。
この効果を分離するために、データセット、アーキテクチャ、トレーニングプロトコルを固定しつつ、ソースタスク境界を段階的に破壊し、制御された構造摂動解析を行う。
蓄積は構造的信頼性が低下するにつれて一貫して増加し、リプレイの有効性は記憶能力のみによってではなく、記憶された構造情報の質に強く影響される。
これらの結果から, ドメインシフト下での解剖学的構造維持は, 連続的な医用画像セグメンテーションの中心的要因であり, リプレイ機構は, 堅牢な知識保持を支える構造的信頼性を考慮すべきであると考えられた。
関連論文リスト
- Semantic Feature Segmentation for Interpretable Predictive Maintenance in Complex Systems [36.94429692322632]
本研究では,監視対象の機能空間を標準コンポーネントに分解するセグメンテーションフレームワークを提案する。
標準空間は、複数の時間的構成をまたいだ残留空間よりも予測リスクが低いことを示す。
これらの結果は,意味的特徴分節化が監視信号の解釈および情報遅延分解をもたらすことを示唆している。
論文 参考訳（メタデータ） (2026-05-14T03:29:37Z) - Adaptive Data Compression and Reconstruction for Memory-Bounded EEG Continual Learning [0.0]
教師なし個別連続学習(UICL)のための適応データ圧縮・再構成(ADaCoRe)を提案する。
ADaCoReは、サリエンシ駆動のパーソナライゼーション保護、有理多相圧縮、保護された指標に対する動詞による副次再構成、適応的初期維持のためのプロトタイプ-自信選択からなるメモリ効率の高いパイプラインである。
論文 参考訳（メタデータ） (2026-05-04T18:59:35Z) - Contour-Guided Query-Based Feature Fusion for Boundary-Aware and Generalizable Cardiac Ultrasound Segmentation [6.121346238869986]
本稿では,境界対応心エコー区分けのためのコンター型クエリリファインメントネットワーク(CGQR-Net)を提案する。
このフレームワークは、マルチレゾリューション特徴表現と輪郭から派生した構造的事前情報を統合する。
その結果, セグメンテーション精度の向上, 境界精度の向上, 様々な撮像条件におけるロバスト性能が得られた。
論文 参考訳（メタデータ） (2026-03-30T07:17:40Z) - TRACE: Temporal Reasoning via Agentic Context Evolution for Streaming Electronic Health Records (EHRs) [7.2159153945746795]
LLM(Large Language Models)は、広範囲にわたる医学的知識を符号化するが、縦断的患者の軌跡に確実に適用することは困難である。
凍結LDMによる時間的臨床推論を可能にするフレームワークであるTRACEを紹介する。
MIMIC-IVによる縦断的臨床イベントストリームの評価
論文 参考訳（メタデータ） (2026-02-13T11:39:19Z) - Geometric-Disentangelment Unlearning [106.99160454669902]
忘れたサンプルへの勾配は しばしば 保持された知識を傷つける
本稿では,GU(Geometric-disment Unlearning)を提案する。
本手法はプラグ・アンド・プレイであり,既存の勾配に基づくアンラーニング手法と併用することで副作用を軽減できる。
論文 参考訳（メタデータ） (2025-11-21T09:58:25Z) - Prompt-Guided Patch UNet-VAE with Adversarial Supervision for Adrenal Gland Segmentation in Computed Tomography Medical Images [0.3437656066916039]
CT画像における副腎などの小さな腹部臓器は、厳密な階級不均衡、空間的状況の悪化、限られた注釈付きデータによる永続的な課題である。
本稿では,これらの制約を原則的かつスケーラブルに対処するために,変分再構成,教師付きセグメンテーション,および逆パッチベースのフィードバックを組み合わせた統合フレームワークを提案する。
本研究は,小組織セグメンテーションにおけるハイブリッド世代別訓練体制の有効性を明らかにするとともに,データ共有シナリオにおける現実性,多様性,解剖学的整合性のバランスに関する新たな知見を提供する。
論文 参考訳（メタデータ） (2025-09-03T10:18:06Z) - Reshaping the Online Data Buffering and Organizing Mechanism for Continual Test-Time Adaptation [49.53202761595912]
継続的なテスト時間適応は、訓練済みのソースモデルを適用して、教師なしのターゲットドメインを継続的に変更する。
我々は、オンライン環境、教師なしの自然、エラー蓄積や破滅的な忘れのリスクなど、このタスクの課題を分析する。
教師なしシングルパスデータストリームから重要サンプルを高い確実性で識別・集約する不確実性を考慮したバッファリング手法を提案する。
論文 参考訳（メタデータ） (2024-07-12T15:48:40Z) - Fuzzy Attention Neural Network to Tackle Discontinuity in Airway
Segmentation [67.19443246236048]
気道セグメンテーションは肺疾患の検査、診断、予後に重要である。
いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。
本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
論文 参考訳（メタデータ） (2022-09-05T16:38:13Z) - Recurrence-in-Recurrence Networks for Video Deblurring [58.49075799159015]
最先端のビデオデブロアリング法は、しばしばフレーム間の時間的依存性をモデル化するために、リカレントニューラルネットワークを採用する。
本稿では,短距離メモリの限界に対処する再帰型ネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-03-12T11:58:13Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - Untangling tradeoffs between recurrence and self-attention in neural
networks [81.30894993852813]
本稿では,再帰的ネットワークにおける自己注意が勾配伝播に与える影響を公式に分析する。
長期的な依存関係を捉えようとするとき、勾配をなくすことの問題を緩和することを証明する。
本稿では,スパース自己アテンションを反復的にスケーラブルに利用するための関連性スクリーニング機構を提案する。
論文 参考訳（メタデータ） (2020-06-16T19:24:25Z)
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。