論文の概要: Transferable Low-Rank Convolutional Bases for Onboarding Unseen Medical Imaging Modalities

• arxiv url: http://arxiv.org/abs/2607.16888v1
• Date: Sat, 18 Jul 2026 17:09:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.296074
• Title: Transferable Low-Rank Convolutional Bases for Onboarding Unseen Medical Imaging Modalities
• Title（参考訳）: 医療画像モダリティ搭載のためのトランスファー可能な低域畳み込み基盤
• Abstract要約: 本研究では,厳密なドメインアウトプロトコルの下でのアンフォボーディング問題について検討する。 畳み込みバックボーンは、ソースモダリティに基づいて事前訓練され、永久に凍結され、その後、目に見えないモダリティを許容する必要がある。 完全な微調整は、ソースのモダリティを破滅的に劣化させることによってのみ、最も高い目標精度に達する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deploying a medical imaging model that must later accommodate a modality it has never seen is a recurring practical problem: retraining the shared representation is expensive and destroys performance on the modalities already in service. We study this \emph{onboarding} problem under a strict leave-one-domain-out protocol, in which a convolutional backbone is pre-trained on source modalities (Kidney CT and Brain MRI), frozen permanently, and then required to accommodate an unseen modality (Chest X-ray). Under this protocol we establish three findings. First, decision-layer parameter-efficient fine-tuning is insufficient when the backbone has never observed the target modality: a linear probe and fully-connected LoRA both fall well short, whereas convolutional LoRA recovers most of the achievable accuracy, showing that adaptation must reach the convolutional features. Second, and centrally, the low-rank convolutional \emph{basis} learned on the source modalities \emph{transfers}: freezing that basis and training only its up-projections onboards the unseen modality using just $0.78\%$ of full fine-tuning's parameters, at an accuracy $6.11$ percentage points above a random basis of identical size, while an equivalent decision-layer basis exhibits no reliable transfer. Third, adapter-based onboarding leaves source-modality accuracy exactly unchanged ($Δ= 0.00$ pp), whereas full fine-tuning reaches the highest target accuracy only by catastrophically degrading the source modalities. A Mahalanobis score on frozen backbone features detects the unseen modality with high sensitivity at a strict source-retention threshold, providing a practical trigger for when onboarding is required. All results are reported over three seeds with paired bootstrap confidence intervals.
• Abstract（参考訳）: 共有表現の再トレーニングは高価であり、すでに運用されているモダリティのパフォーマンスを損なう。 我々は、この「emph{onboarding}」問題を厳密な1ドメインアウトプロトコルの下で研究し、畳み込みバックボーンをソースモダリティ(Kidney CTとBrain MRI)で事前訓練し、永久凍結し、目に見えないモダリティ(Chest X-ray)を適応させる必要がある。 本プロトコルでは,3つの発見点を定めている。 まず、線形プローブと完全連結のLoRAはどちらも十分に短いが、畳み込みのLoRAは達成可能な精度のほとんどを回復し、適応は畳み込みの特徴に到達しなければならないことを示す。 第2に、低ランクの畳み込み(英語版) \emph{basis} はソースモダリティ \emph{transfers} に基づいて学習し、その基底を凍結し、その上向きの射影のみをトレーニングすることで、0.78\%の完全な微調整パラメータを、同じ大きさのランダムな基底よりも正確に6.11$のパーセンテージで、見知らぬモダリティを再現する。 第3に、アダプタベースのオンボーディングでは、ソースモダリティの精度は正確に変化しない(Δ=0.00$ pp)が、フル微調整はソースモダリティを破滅的に劣化させることによってのみ、最も高い目標精度に達する。 凍結したバックボーンの特徴に関するマハラノビスのスコアは、厳密なソース保持閾値で高い感度で、目に見えないモダリティを検出し、オンボーディングが必要な場合に実用的なトリガーを提供する。 全結果が3種以上, 対のブートストラップ自信間隔で報告された。

関連論文リスト

• MARR: Decoupling Policy, Execution, and Calibration for All-in-One Medical Image Restoration [9.066063062336523]
  オールインワンの医療画像復元は、1つのモデルで異質な臨床画像の復元を目指している。 完全に共有されたネットワークは、モダリティ固有の残差エラーを絡み合わせることができるが、異なるモダリティ固有のネットワークは、統一されたデプロイメントの実践的な利点を犠牲にする。 劣化ラベルや個別のモダリティ固有モデルを必要としない, 劣化対応ポリシルーティング, モダリティプライベート残差実行, 画像領域残差補正にマルチモーダル適応を制約する, コンパクトな復元フレームワークMARRを提案する。
  論文  参考訳（メタデータ） (2026-09-06T14:51:26Z)
• TTSD-FAR: Test-Time Self-Distillation with Fisher-Anchored Restoration for Missing-Modality Emotion Recognition in LVLMs [83.78708832901194]
  大規模ビデオ言語モデル(LVLM)は、野生のマルチモーダル感情認識(ER)のようなマルチモーダルタスクにおいて顕著なパフォーマンスを示している。 しかし、現実のデプロイメントは依然として困難であり、テスト時にモダリティが欠落したりうる。 凍結した教師が自己蒸留により適応的な低学級の生徒を指導する手法を提案する。 MELD, DFEW, BAHを0%-50%のモダリティで実験した結果, この統一型適応復元設計はエントロピーベースの適応, RAG, およびパープレキシティベースの生成より一貫して優れていた。
  論文  参考訳（メタデータ） (2026-08-18T23:40:28Z)
• Omni2LoRA: Coherence-Preserving Parametric Memory for Efficient Omni Language Models [65.49950267695267]
  我々はコヒーレンス保存コンテクスト蒸留によるパラメトリックメモリの効率的な圧縮フレームワークであるOmni2LoRAを紹介する。 本手法は,マルチモーダルメモリを固定予算で再利用可能なパラメータ状態に変換することにより,応答時間のマルチモーダルトーケン負荷をゼロにする。
  論文  参考訳（メタデータ） (2026-08-10T07:49:10Z)
• Test-time Adaptation of Pelvic Bone Segmentation Models via Dynamic Reliability-Guided [62.10276009853225]
  ロボットによる骨盤外傷手術には,CTによる骨切片の信頼性が不可欠である。 既存の方法はPBSに対して限られた有効性を示した。 PBSのための新しいクローズドループ動的信頼性ガイドフレームワーク(ReGA)を提案する。
  論文  参考訳（メタデータ） (2026-08-01T08:13:20Z)
• CADRE: Stable, Parameter Efficient Adaptation of Medical Vision Language Models with Bounded Forgetting and Prior Drift [0.10742675209112622]
  新しい画像モダリティのためのデプロイモデルの更新は、患者を傷つける2つの方法で静かに失敗する可能性がある。 本研究は,これらの2つの特性によるパラメータ効率の連続的適応について,リーダーボードの精度を忘れることなく検討する。 CADRE は低ランク適応 (LoRA) とオンラインの自己スケーリング,類似性を考慮した弾性重み付けという用語を組み合わせたフリーズバックボーンフレームワークである。
  論文  参考訳（メタデータ） (2026-06-22T15:34:32Z)
• D3Seg: Dependency-Aware Diffusion for Brain Tumor Segmentation with Missing Modalities [54.87947751720332]
  欠落モード設定下での安定した性能を維持するために,新しいセグメンテーションモデルD3Segを提案する。 提案モデルでは, 腫瘍造影法 (ET) で約1.5～2.0%, 腫瘍コア法 (TC) で約1.0%, 複数の欠損モードで約1.0%を達成している。
  論文  参考訳（メタデータ） (2026-05-21T09:55:42Z)
• Soft Tuy-Completeness for Robust Projection Selection in Cone-Beam CT [4.213649496201482]
  本研究は、関心領域集束コーンビームCTにおける投射選択のための、連続したソフトなほぼ直交性スコアと、分解能を考慮した飽和被曝目標を導入する。
  論文  参考訳（メタデータ） (2026-05-20T12:37:15Z)
• Stitched Value Model for Diffusion Alignment [76.52330634059528]
  拡散またはフローベースの生成モデルは、即興の忠実さや美的嗜好など、タスク固有の報酬と整合していなければならない。 本稿では、クリーンな画像のために事前訓練された報酬モデルをノイズの多い潜伏状態に効率的に転送するモデル縫合フレームワークであるStitchVMを提案する。 提案手法は,下流のステアリングおよびポストトレーニング手法の幅広い改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2026-05-19T13:02:50Z)
• Doubly Robust Proxy Causal Learning with Neural Mean Embeddings [58.8808794752741]
  我々は、連続的かつ構造化された治療を用いて因果学習をプロキシするための、神経的に二重に頑健なフレームワークを開発する。 このフレームワークは、人口、不均一、条件付き線量応答関数をカバーし、完全な応答曲線推定器を生成する。 合成および画像評価ベンチマーク全体で、提案した推定器は既存のベースラインと単一ブリッジニューラル推定器より優れている。
  論文  参考訳（メタデータ） (2026-05-10T12:50:25Z)
• Architecture-Agnostic Modality-Isolated Gated Fusion for Robust Multi-Modal Prostate MRI Segmentation [0.0]
  多重化前立腺MRIは、T2パラメトリック(T2W)、見かけ拡散係数(ADC)、高b値拡散強調(HBV)配列を組み合わせる。 実際には、拡散配列は、T2Wよりも、取得のばらつき、動き、アーティファクトの影響を受けることが多い。 我々は、学習ゲーティングステージの前に、個別のモダリティ固有の符号化ストリームを維持するために、Modality-Isolated Gated Fusion (MIGF)を提案する。
  論文  参考訳（メタデータ） (2026-04-12T15:54:21Z)
• Adaptive Redundancy Regulation for Balanced Multimodal Information Refinement [49.596978957463385]
  支配的モダリティの長期支配は、表現と出力の結合を弱める。 従来の手法はしばしば、有利なモジュラリティの勾配を直接的に均一に調整する。 バランスの取れたマルチモーダル情報リファインメントに対する適応冗長性制御を提案する。
  論文  参考訳（メタデータ） (2025-11-14T04:44:34Z)
• T3: Test-Time Model Merging in VLMs for Zero-Shot Medical Imaging Analysis [15.624549727053475]
  既存のモデルマージ技術は、様々な医学的手段で一貫した利益をもたらすことができません。 サンプル単位の係数を計算するバックプロパゲーションフリーフレームワークであるTest-Time Task Adaptive merging (T3)を導入する。 ドメイン内、ベース・ツー・ノーベル、および4つのモダリティにまたがる汚職にまたがる厳密な相互評価プロトコルを提案する。
  論文  参考訳（メタデータ） (2025-10-31T08:05:40Z)
• Prompt Tuning for Parameter-efficient Medical Image Segmentation [79.09285179181225]
  2つの医用画像データセットのセマンティックセグメンテーションにパラメータ効率が良いが効果的な適応を実現するために,いくつかのコントリビューションを提案し,検討する。 我々はこのアーキテクチャを、オンライン生成プロトタイプへの割り当てに基づく専用密集型セルフスーパービジョンスキームで事前訓練する。 得られたニューラルネットワークモデルにより、完全に微調整されたモデルとパラメータに適応したモデルとのギャップを緩和できることを実証する。
  論文  参考訳（メタデータ） (2022-11-16T21:55:05Z)
• Distilling Object Detectors with Task Adaptive Regularization [97.52935611385179]
  現在の最先端のオブジェクト検出器は高い計算コストを犠牲にしており、ローエンドデバイスへのデプロイが困難である。 より大規模な教師モデルから知識を伝達することで、より小さな学生ネットワークを訓練することを目的とした知識蒸留は、モデル小型化のための有望な解決策の1つである。
  論文  参考訳（メタデータ） (2020-06-23T15:58:22Z)

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。