論文の概要: Topology-Driven Transferability Estimation for 3D Medical Vision Foundation Models

• arxiv url: http://arxiv.org/abs/2607.04199v1
• Date: Sun, 05 Jul 2026 09:45:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.865634
• Title: Topology-Driven Transferability Estimation for 3D Medical Vision Foundation Models
• Title（参考訳）: 3次元医用視覚基礎モデルのトポロジ駆動伝達可能性推定
• Authors: Jiaqi Tang, Shaoyang Zhang, Fandong Zhang, Shu Zhang, Yang Liu, Qingchao Chen,
• Abstract要約: 3次元医用画像における高密度予測タスクのためのボクセル・ワイド・フレームワークを提案する。 本フレームワークは,高密度特徴のスパース1-スケルトン幾何グラフと意味ラベルとのアライメントから,転送可能性を直接推定する。 本フレームワークは,平均重み付きケンドール(0.36)を56倍の速度で評価しながら,最先端の転写性評価を実現する。
• 参考スコア（独自算出の注目度）: 24.834339924064505
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The growing number of medical vision foundation models highlights the need for effective model selection. However, mainstream selection methods rely on exhaustive fine-tuning, which is computationally expensive. Most of the existing Transferability Estimation (TE) metrics are primarily designed for image-level classification. They fail to preserve spatial relationships and fine-grained boundary details, which are crucial for the segmentation task. Additionally, while image-level tasks typically process a single feature vector per input, dense prediction tasks in 3D medical imaging require voxel-wise evaluation against dense annotations. To bridge these gaps, we propose a \textit{non-parametric, topology-driven} framework that estimates transferability directly from the alignment between the sparse 1-skeleton graph of dense features and semantic labels via Minimum Spanning Trees (MST). We decouple the alignment into two complementary geometric scales: Local Boundary-Aware Topological Consistency (LBTC) to assess boundary separability, where we prove that the MST leakage rate serves as a finite-sample lower bound on the Bayes error; and Global Representation Topology Divergence (GRTD) to evaluate the overall anatomical layout. Crucially, we formally justify a counterintuitive mechanism: Although without fine-tuning, the randomly initialized segmentation decoder acts as a topology-preserving spatial projector, reducing the variance of pairwise distance estimates and stabilizing global alignment evaluation. Fused via a task-adaptive gating mechanism, these dual metrics adapt to diverse clinical complexities. Evaluated on a large-scale benchmark of 114,000 3D medical volumes across diverse anatomical tasks, our topological framework achieves state-of-the-art transferability estimation with an average weighted Kendall (outperforming by 0.36) while accelerating evaluation by 56 times.
• Abstract（参考訳）: 医療ビジョン基盤モデルの増加は、効果的なモデル選択の必要性を強調している。 しかし、主流選択法は計算コストのかかる徹底的な微調整に依存している。 既存のTransferability Estimation(TE)メトリクスのほとんどは、主に画像レベルの分類のために設計されている。 空間的関係や細粒度境界の詳細を保存できず、セグメンテーション作業に不可欠である。 さらに、画像レベルのタスクは入力毎に1つの特徴ベクトルを処理するのが一般的であるが、3次元医用画像の高密度な予測タスクは、高密度アノテーションに対するボクセル的評価を必要とする。 これらのギャップを埋めるために,高密度特徴のスパース1-スケルトングラフと最小スパンニングツリー(MST)によるセマンティックラベルのアライメントから転送可能性を直接推定する「textit{non-parametric, Topology-driven}」フレームワークを提案する。 我々は,このアライメントを2つの相補的幾何学的尺度に分解する: 境界分離性を評価するために局所境界対応トポロジカル一貫性(LBTC); MST漏洩率がベイズ誤差の有限サンプル下限として機能することを証明する; 全体解剖学的レイアウトを評価するためにグローバル表現トポロジディバージェンス(GRTD)。 微調整なしでは、ランダムに初期化されたセグメンテーションデコーダは、位相保存空間プロジェクタとして機能し、対距離推定のばらつきを低減し、大域的アライメント評価を安定化する。 タスク適応型ゲーティング機構を通じて融合されたこれらの2つのメトリクスは、様々な臨床的複雑さに適応する。 様々な解剖学的タスクにわたる114,000の3D医療量を大規模に評価し,平均重み付きKendall(0.36)による最先端の転写可能性推定を実現し,56倍の高速化を実現した。

関連論文リスト

• Symmetric Divergence and Normalized Similarity: A Unified Topological Framework for Representation Analysis [17.24563134209321]
  我々は,微細な構造診断とロバストな標準化された評価を支援する統合トポロジカルツールキットを開発した。 不均一な設定で信頼性の高いベンチマークを可能にするために、正規化された位相類似性(NTS)を提案する。 NTS は -1 と 1 の間に有界なスケール不変距離を求め、非正規化された発散物のスケールとサンプル依存性を効果的に克服する。
  論文  参考訳（メタデータ） (2026-06-04T16:14:13Z)
• Preoperative-to-intraoperative Liver Registration for Laparoscopic Surgery via Latent-Grounded Correspondence Constraints [51.7011449975586]
  Land-Regは変形可能な登録フレームワークで、潜伏した2D-3Dのランドマーク対応を学習する。 厳格な登録のために、Land-Regはクロスモーダルラテントアライメントモジュールを採用している。 類似性マッチングを持つ不確実なオーバーラップランドマーク検出器を提案し, 明確な2D-3Dランドマーク対応を強く推定する。
  論文  参考訳（メタデータ） (2026-03-02T10:44:03Z)
• The Geometry of Transfer: Unlocking Medical Vision Manifolds for Training-Free Model Ranking [31.961181244685932]
  本稿では, 統計重なりではなく, 多様体のトラクタビリティを評価するトポロジ駆動転送可能性推定フレームワークを提案する。 本手法は,重み付きケンドールの相対的改善率約6031%により,最先端のベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2026-02-27T11:04:15Z)
• Depth-Sequence Transformer (DST) for Segment-Specific ICA Calcification Mapping on Non-Contrast CT [38.85617601239779]
  従来の3Dモデルは、縮小されたボリュームや分離されたパッチを処理せざるを得ない。 我々は,3次元課題を1次元軸方向に沿ったtextbfParallel Probabilistic Landmark Localizationタスクとして再構成する。 フル解像度CTボリュームを2次元スライスシーケンスとして処理するフレームワークである textbfDepth-Sequence Transformer (DST) を提案する。
  論文  参考訳（メタデータ） (2025-07-10T23:12:12Z)
• ProstaTD: Bridging Surgical Triplet from Classification to Fully Supervised Detection [54.270188252068145]
  ProstaTDは、ロボット補助前立腺切除術の技術的要求領域から開発された、外科的三重項検出のための大規模なデータセットである。 このデータセットは、71,775の動画フレームと196,490の注釈付きトリプルトインスタンスで構成され、複数の機関で実施された21の手術から収集された。 ProstaTDは、これまでで最大かつ最も多様な3重項データセットであり、単純な分類から正確な空間的境界と時間的境界を持つ完全な検出へとフィールドを移動している。
  論文  参考訳（メタデータ） (2025-06-01T19:29:39Z)
• Affinity Feature Strengthening for Accurate, Complete and Robust Vessel Segmentation [48.638327652506284]
  血管セグメンテーションは、冠動脈狭窄、網膜血管疾患、脳動脈瘤などの多くの医学的応用において重要である。 コントラストに敏感なマルチスケールアフィニティアプローチを用いて,幾何学的手法と画素単位のセグメンテーション特徴を連成的にモデル化する新しいアプローチであるAFNを提案する。
  論文  参考訳（メタデータ） (2022-11-12T05:39:17Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• Uncertainty-Aware Adaptation for Self-Supervised 3D Human Pose Estimation [70.32536356351706]
  本稿では、2つの出力ヘッドを2つの異なる構成にサブスクライブする共通のディープネットワークバックボーンを構成するMPP-Netを紹介する。 ポーズと関節のレベルで予測の不確実性を定量化するための適切な尺度を導出する。 本稿では,提案手法の総合評価を行い,ベンチマークデータセット上での最先端性能を示す。
  論文  参考訳（メタデータ） (2022-03-29T07:14:58Z)

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。