論文の概要: Attention-Based Prototype Calibration for Multi-Rater Few-Shot Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2606.16325v1
• Date: Mon, 15 Jun 2026 07:31:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:34.146282
• Title: Attention-Based Prototype Calibration for Multi-Rater Few-Shot Medical Image Segmentation
• Title（参考訳）: 多層Few-Shot医療画像分割のための注意型原型校正法
• Authors: Truong Vu, Minh Khoi Ho, Yutong Xie,
• Abstract要約: 医用画像分割法は一般的に1つの地平線アノテーションを仮定する。 数発のマルチレイタセグメンテーションのためのアテンションベースプロトタイプキャリブレーションフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 4.310867444150861
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Few-shot medical image segmentation methods typically assume a single ground-truth annotation, overlooking systematic variability across expert raters commonly observed in clinical datasets. We propose an attention-based prototype calibration framework for few-shot multi-rater segmentation that models rater-specific deviations from a consensus representation in prototype space. A lightweight yet principled attention operator directly refines rater prototypes without modifying the backbone feature extractor, making the approach fully compatible with existing prototype-based few-shot segmentation methods. This design preserves semantic consistency while enabling personalized segmentation outputs with minimal computational overhead. Experiments on multi-rater medical imaging datasets demonstrate consistent improvements over baseline prototype approaches, highlighting the effectiveness of structured prototype calibration for modeling annotation variability. Our code is available at https://github.com/truong2710-cyber/JAPC.
• Abstract（参考訳）: 医療画像のセグメンテーション法は、一般的に、臨床データセットでよく見られる専門家ラッカー間の系統的変動を見越して、1つの地平線アノテーションを仮定する。 本稿では,プロトタイプ空間におけるコンセンサス表現からのレーダ固有偏差をモデル化した,少数ショットマルチレイタセグメンテーションのためのアテンションベースプロトタイプキャリブレーションフレームワークを提案する。 軽量で原則化されたアテンション演算子は、バックボーンの特徴抽出器を変更することなく、レーダのプロトタイプを直接洗練し、既存のプロトタイプベースの少数ショットセグメンテーション手法と完全に互換性を持たせる。 この設計は、パーソナライズされたセグメンテーション出力を最小の計算オーバーヘッドで可能にしながら、セグメンテーションの一貫性を保つ。 マルチレータ・メディカル・イメージング・データセットの実験は、基本プロトタイプアプローチよりも一貫した改善を示し、アノテーションの変動をモデル化するための構造化されたプロトタイプキャリブレーションの有効性を強調した。 私たちのコードはhttps://github.com/truong2710-cyber/JAPCで利用可能です。

関連論文リスト

• Divide, Conquer and Unite: Hierarchical Style-Recalibrated Prototype Alignment for Federated Medical Image Segmentation [66.82598255715696]
  フェデレートラーニング(Federated Learning)は、複数の医療機関がデータを共有することなく、グローバルなモデルをトレーニングすることを可能にする。 現在のアプローチは主に、重要なマルチレベルキューを見下ろす最終層機能に重点を置いている。 我々は,ドメイン不変のコンテキスト型プロトタイプアライメントを介して特徴表現ギャップをブリッジするFedBCSを提案する。
  論文  参考訳（メタデータ） (2025-11-14T04:15:34Z)
• Proto-Former: Unified Facial Landmark Detection by Prototype Transformer [77.47431726595111]
  Proto-Formerは、統一的で適応的でエンドツーエンドの顔ランドマーク検出フレームワークである。 統一されたアーキテクチャ内で、複数のデータセットをまたいだ共同トレーニングを可能にする。 Proto-Formerは、既存の最先端手法よりも優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-10-17T06:00:25Z)
• DPL: Spatial-Conditioned Diffusion Prototype Enhancement for One-Shot Medical Segmentation [0.0]
  1ショットの医用画像セグメンテーションは、注釈付きデータに制限があり、患者間で解剖学的変動があるため、プロトタイプ表現の基本的な課題に直面している。 従来のプロトタイプベースの手法は、サポート機能の決定論的平均化に依存しており、堅牢な一般化に不可欠なクラス内の多様性を捉えるのに失敗する脆い表現を生成する。 拡散に基づく特徴空間探索によってプロトタイプ構築を再構築する新しいフレームワークであるDiffusion Prototype Learningを紹介する。
  論文  参考訳（メタデータ） (2025-10-14T05:28:58Z)
• Probabilistic Prototype Calibration of Vision-Language Models for Generalized Few-shot Semantic Segmentation [75.18058114915327]
  一般化されたFew-Shot Semanticnative(GFSS)は、いくつかの注釈付き例だけでセグメンテーションモデルを新しいクラスに拡張することを目的としている。 プリトレーニング済みCLIPのマルチモーダルプロトタイプ上での確率的プロトタイプ校正フレームワークであるFewCLIPを提案する。 FewCLIPはGFSSとクラスインクリメンタルセッティングの両方で最先端のアプローチを著しく上回っている。
  論文  参考訳（メタデータ） (2025-06-28T18:36:22Z)
• Tied Prototype Model for Few-Shot Medical Image Segmentation [9.455265838231252]
  本稿では,前景および背景分布のためのプロトタイプ位置を結合したADNetの原理的再構成を提案する。 確率的基盤に基づいて、TPMは自然に複数のプロトタイプとマルチクラスのセグメンテーションに拡張する。 自然発生のクラス事前を利用して適応しきい値の理想的なターゲットを定義する。
  論文  参考訳（メタデータ） (2025-06-27T10:33:55Z)
• Mind the Gap Between Prototypes and Images in Cross-domain Finetuning [64.97317635355124]
  プロトタイプと画像にそれぞれ異なる変換を適用するために,コントラスト型プロトタイプイメージ適応(CoPA)を提案する。 Meta-Datasetの実験では、CoPAが最先端のパフォーマンスをより効率的に達成できることが示されている。
  論文  参考訳（メタデータ） (2024-10-16T11:42:11Z)
• Correlation Weighted Prototype-based Self-Supervised One-Shot Segmentation of Medical Images [12.365801596593936]
  医用画像セグメンテーションは、十分な注釈付きデータが入手できない領域の1つである。 スーパーピクセルから生成された擬似ラベルを用いた,プロトタイプベースのワンショット学習フレームワークを提案する。 提案手法は,最先端の手法と同等に機能することを示す。
  論文  参考訳（メタデータ） (2024-08-12T15:38:51Z)
• ProtoSeg: Interpretable Semantic Segmentation with Prototypical Parts [9.298299024529333]
  本稿では,解釈可能なセマンティックイメージセグメンテーションの新しいモデルであるProtoSegを紹介する。 ベースライン法に匹敵する精度を達成するため,プロトタイプ部品の機構を適応させる。 ProtoSegは標準的なセグメンテーションモデルとは対照的にセグメンテーションの概念を発見する。
  論文  参考訳（メタデータ） (2023-01-28T19:14:32Z)
• Part-aware Prototype Network for Few-shot Semantic Segmentation [50.581647306020095]
  本稿では,プロトタイプ表現に基づく新規な数ショットセマンティックセマンティックセマンティクスフレームワークを提案する。 私たちのキーとなるアイデアは、全体論的なクラス表現を、部分認識型プロトタイプのセットに分解することです。 提案する部分認識型プロトタイプを生成・拡張する新しいグラフニューラルネットワークモデルを開発した。
  論文  参考訳（メタデータ） (2020-07-13T11:03:09Z)

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。