論文の概要: Test-time Adaptation of Pelvic Bone Segmentation Models via Dynamic Reliability-Guided

• arxiv url: http://arxiv.org/abs/2608.00510v1
• Date: Sat, 01 Aug 2026 08:13:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:24.73124
• Title: Test-time Adaptation of Pelvic Bone Segmentation Models via Dynamic Reliability-Guided
• Title（参考訳）: 動的信頼性誘導による骨盤骨分割モデルの試験時間適応
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 62.10276009853225
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable pelvic bone segmentation (PBS) from CT is essential for robot-assisted pelvic trauma surgery, yet deploying a source-trained model to a new hospital suffers from severe performance degradation due to cross-center domain shifts. While test-time adaptation (TTA) enables online model adaptation without accessing source data, existing methods show limited effectiveness for PBS, facing challenges including boundary degradation, anatomical inconsistency under domain shifts, and voxel-level class imbalance. To address these challenges, we propose a novel closed-loop dynamic Reliability-Guided TTA framework (ReGA) for PBS. Specifically, we introduce a pseudo-label reliability criterion termed Segmentation Inference Consistency Evaluation (SICE), which jointly measures region overlap and boundary deviation via dropout-based ensemble predictions. Based on SICE, a trust-weighted refinement module adaptively updates features to mitigate boundary errors in pseudo-labels. Furthermore, a confidence-weighted region-level contrastive learning strategy is proposed to enforce anatomical consistency. Finally, ReGA follows the teacher-student (TS) scheme to alleviate voxel-level class imbalance. Experiments on three heterogeneous 3D pelvic CT datasets demonstrate that ReGA consistently outperforms state-of-the-art TTA methods, enabling effective adaptation of the source-trained PBS model to unseen clinical domains. The code is available at https://github.com/Ren-ling/ReGA.
• Abstract（参考訳）: 骨盤骨切開術(PBS)は, ロボットによる骨盤外傷手術に必須であるが, 骨盤骨切開術により骨盤骨切開術が困難となり, 骨盤骨切開術を施行した。 テスト時間適応(TTA)は、ソースデータにアクセスせずにオンラインモデル適応を可能にするが、既存の手法では、境界劣化、ドメインシフト時の解剖学的不整合、ボクセルレベルの不整合といった課題に直面したPBSの有効性が制限されている。 これらの課題に対処するため、PBSのための新しいクローズドループ動的信頼性誘導型TTAフレームワーク(ReGA)を提案する。 具体的には,SICE(Segmentation Inference Consistency Evaluation)と呼ばれる疑似ラベルの信頼性基準を導入する。 SICEに基づいて、信頼度の高い改良モジュールは、擬似ラベルのバウンダリエラーを軽減するために、機能を適応的に更新する。 さらに、解剖学的一貫性を強制するために、信頼度の高い地域レベルのコントラスト学習戦略を提案する。 最後に、ReGAは、ボクセルレベルの不均衡を軽減するための教師学生(TS)スキームに従う。 3つの異質な3D骨盤CTデータセットの実験により、ReGAは最先端のTTA法より一貫して優れており、ソーストレーニングされたPBSモデルを未確認臨床領域に効果的に適応できることが示された。 コードはhttps://github.com/Ren-ling/ReGAで公開されている。

関連論文リスト

• Unsupervised Adaptation of 3D CT Foundation Models for 3D CBCT Segmentation [2.784896870211286]
  3次元CBCTセグメンテーションのための新しいunsupervised domain adapt(UDA)フレームワークを提案する。 我々のフレームワークはアーキテクチャに依存しず、CNNベースの基盤モデルとViTベースの基盤モデルの両方をシームレスに適応します。 本手法はCT-CBCT肝セグメンテーションベンチマークを用いて検討した。
  論文  参考訳（メタデータ） (2026-08-27T14:33:59Z)
• 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)
• Test-Time Adaptation for EEG Foundation Models: A Systematic Study under Real-World Distribution Shifts [15.005225130424819]
  テスト時適応(TTA)は、ソースデータにアクセスすることなく、推論中にラベルなしのターゲットデータに適応できるようにすることで、有望なソリューションを提供する。 本稿では,脳波基礎モデル上でのテスト時間適応手法を評価するためのベンチマークであるNeuroAdapt-Benchを紹介する。 以上の結果から, 標準TTA法では不整合ゲインが得られ, 性能が低下する傾向がみられた。
  論文  参考訳（メタデータ） (2026-04-18T09:23:25Z)
• Self-Supervised Multi-Stage Domain Unlearning for White-Matter Lesion Segmentation [0.0]
  自己教師型多段階アンラーニングに基づく教師なしドメイン適応手法を提案する。 一方、SSMSUは、病変の感度を高め、誤検出を制限することにより、未学習の利点を示した。
  論文  参考訳（メタデータ） (2026-03-04T22:27:20Z)
• PF-DAformer: Proximal Femur Segmentation via Domain Adaptive Transformer for Dual-Center QCT [8.358409792893278]
  多施設定量的CT(QCT)に適したドメイン適応型トランスフォーマーセグメンテーションフレームワークを開発した。 当モデルでは, タラネ大学から1024個のQCT画像スキャン, ミネソタ州ロチェスターから384個の画像スキャンを行い, 大腿骨近位部セグメンテーションを行った。
  論文  参考訳（メタデータ） (2025-10-30T18:07:56Z)
• 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)
• Orthogonal Projection Subspace to Aggregate Online Prior-knowledge for Continual Test-time Adaptation [67.80294336559574]
  連続テスト時間適応(CTTA)は、新しいシナリオに継続的に適応するために、ソース事前訓練されたモデルを必要とするタスクである。 我々は、OoPkと呼ばれるオンライン事前知識を集約する新しいパイプラインOrthogonal Projection Subspaceを提案する。
  論文  参考訳（メタデータ） (2025-06-23T18:17:39Z)
• Diffusion-based Counterfactual Augmentation: Towards Robust and Interpretable Knee Osteoarthritis Grading [7.748673766536236]
  本稿では,モデルの堅牢性と解釈可能性を高める拡散型対実拡張(DCA)の枠組みを提案する。 このフレームワークは、モデル不確実性を堅牢なトレーニング信号に変換し、より正確で信頼性の高い自動診断システムを開発するための有望な経路を提供する。
  論文  参考訳（メタデータ） (2025-06-18T04:16:28Z)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• Boundary Guided Semantic Learning for Real-time COVID-19 Lung Infection Segmentation System [69.40329819373954]
  新型コロナウイルス(COVID-19)は、世界中の医療システムに悪影響を及ぼし続けている。 現段階では、新型コロナウイルスの診断と治療には、CT画像から肺感染症領域を自動的に分離することが不可欠である。 本稿では,境界案内型セマンティックラーニングネットワーク(BSNet)を提案する。
  論文  参考訳（メタデータ） (2022-09-07T05:01:38Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• 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)

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。