論文の概要: Bayesian adaptively-weighted ensembles for few-shot abdominal segmentation

• arxiv url: http://arxiv.org/abs/2608.05815v1
• Date: Thu, 06 Aug 2026 09:46:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 15:25:20.870454
• Title: Bayesian adaptively-weighted ensembles for few-shot abdominal segmentation
• Title（参考訳）: 数発の腹部分節に対するベイジアン適応重み付けアンサンブル
• Abstract要約: ラベル付きデータが不足している場合、解剖学的セグメンテーションのための有望なアプローチとして、ほとんどショット学習が登場していない。 ラベル不足とドメインシフトに基づくセグメンテーションのためのベイズ適応重み付けアンサンブルフレームワークを提案する。 その結果、個々の数発学習者、固定重アンサンブル、スクラッチベースラインからのトレーニング、最新の最先端アンサンブルアプローチに対する統計的に有意な改善が示された。
• 参考スコア（独自算出の注目度）: 1.7804186825965627
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Few-shot learning has emerged as a promising approach for anatomical segmentation when labelled data are scarce. However, different few-shot learning algorithms exhibit complementary strengths and weaknesses, with performance varying across anatomical targets and institutions. Existing few-shot segmentation ensembles, that combine predictions from multiple algorithms, typically employ fixed weighting schemes and therefore cannot adjust model contributions according to the target domain. In this work, we propose a Bayesian adaptively-weighted ensemble framework for segmentation under label scarcity and domain shift. Multiple few-shot segmentation algorithms are first adapted using a small labelled support set. Bayesian optimisation is then used to automatically identify ensemble weights that maximise segmentation performance on a target-domain validation set. The learned weights are subsequently fixed and applied to combine predictions on previously unseen query images from the target domain. The proposed framework is evaluated on the Cross-institution Male Pelvic Structures dataset using held-out anatomical structures and institutions to simulate simultaneous label scarcity and institutional domain shift. Results demonstrate statistically significant improvements over individual few-shot learners, fixed-weight ensembles, training-from-scratch baselines and recent state-of-the-art ensembling approaches. By adapting model contributions to the target anatomy and institutional domain, the proposed framework provides a practical mechanism for deploying segmentation systems to new clinical sites under severe annotation constraints.
• Abstract（参考訳）: ラベル付きデータが不足している場合、解剖学的セグメンテーションのための有望なアプローチとして、ほとんどショット学習が登場していない。 しかし、異なる数発の学習アルゴリズムは相補的な強みと弱みを示し、解剖学的目標や機関によって性能は異なる。 既存の数発のセグメンテーションアンサンブルは、複数のアルゴリズムからの予測を組み合わせており、通常は固定重み付けスキームを用いており、したがって対象領域に応じてモデルのコントリビューションを調整することはできない。 本研究では,ラベル不足とドメインシフトに基づくセグメンテーションのためのベイズ適応重み付きアンサンブルフレームワークを提案する。 複数のショットセグメンテーションアルゴリズムは、まず小さなラベル付きサポートセットを用いて適応される。 ベイズ最適化は、ターゲットドメイン検証セット上のセグメンテーション性能を最大化するアンサンブル重みを自動的に識別するために使用される。 学習した重みはその後修正され、対象領域からの未確認のクエリイメージの予測を組み合わせるために適用される。 提案手法は, 保持された解剖学的構造と機関を用いて, クロスインスティテュート・マル・ペルビック・ストラクチャーズ・データセットを用いて評価し, ラベルの不足と組織的ドメインシフトを同時にシミュレートする。 その結果、個々の数発学習者、固定重アンサンブル、スクラッチベースラインからのトレーニング、最新の最先端アンサンブルアプローチに対する統計的に有意な改善が示された。 対象の解剖学と機関領域にモデル貢献を適用することにより,厳密なアノテーション制約の下で新たな臨床現場にセグメンテーションシステムを展開するための実践的なメカニズムを提供する。

関連論文リスト

• Active few-shot segmentation by reinforcing data selection [1.7289593940332797]
  少ないショット学習により、少数のラベル付き例だけで、医療画像セグメンテーションモデルが新しいタスクに適応できる。 サポートセットは、ターゲットドメイン内の関連するバリエーションをキャプチャし、適応のために通知するべきである。 数ショットの医用画像分割におけるサポートセット選択のための強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-24T14:58:35Z)
• Leveraging Causal Reasoning Method for Explaining Medical Image Segmentation Models [15.976622378615714]
  医用画像のセグメンテーションは臨床的な意思決定において重要な役割を担い、病変の正確な局所化と指導的介入を可能にする。 現在の説明手法は主に分類作業に重点を置いており、セグメンテーション領域は比較的過小評価されている。 本稿では、因果推論フレームワークを用いて、平均処理効果(ATE)を指標として、入力領域やネットワークコンポーネントが対象セグメンテーション領域に与える影響を推定するセグメンテーションタスクの説明モデルを提案する。
  論文  参考訳（メタデータ） (2026-02-24T03:26:27Z)
• Adapting In-Domain Few-Shot Segmentation to New Domains without Retraining [53.963279865355105]
  クロスドメイン小ショットセグメンテーション(CD-FSS)は、新しいドメインで新しいクラスのオブジェクトをセグメンテーションすることを目的としている。 多くのCD-FSSメソッドは、様々なドメイン一般化手法を用いて、ドメイン内FSSモデルを再設計し、再訓練する。 そこで,本研究では,FSSモデルを対象ドメインに適応させ,少数ショットラベル付きサポートサンプルからドメイン特性を学習する手法を提案する。
  論文  参考訳（メタデータ） (2025-04-30T08:16:33Z)
• Optimized Vessel Segmentation: A Structure-Agnostic Approach with Small Vessel Enhancement and Morphological Correction [7.882674026364302]
  マルチモーダル血管セグメンテーションのための小型血管拡張と形態的補正を取り入れた構造診断手法を提案する。 本手法は,より優れたセグメンテーション精度,一般化,34.6%の接続性向上を実現し,臨床応用の可能性を強調した。
  論文  参考訳（メタデータ） (2024-11-22T08:38:30Z)
• Taxonomy Adaptive Cross-Domain Adaptation in Medical Imaging via Optimization Trajectory Distillation [73.83178465971552]
  自動医用画像解析の成功は、大規模かつ専門家による注釈付きトレーニングセットに依存する。 非教師なしドメイン適応(UDA)はラベル付きデータ収集の負担を軽減するための有望なアプローチである。 本稿では,2つの技術的課題に新しい視点から対処する統一的手法である最適化トラジェクトリ蒸留を提案する。
  論文  参考訳（メタデータ） (2023-07-27T08:58:05Z)
• Towards Better Certified Segmentation via Diffusion Models [62.21617614504225]
  セグメンテーションモデルは敵の摂動に弱いため、医療や自動運転といった重要な意思決定システムでの使用を妨げます。 近年,理論的保証を得るためにガウス雑音を入力に加えることにより,セグメント化予測のランダム化が提案されている。 本稿では,ランダムな平滑化と拡散モデルを組み合わせたセグメンテーション予測の問題に対処する。
  論文  参考訳（メタデータ） (2023-06-16T16:30:39Z)
• Prototypical few-shot segmentation for cross-institution male pelvic structures with spatial registration [24.089382725904304]
  この研究は、完全に3次元のショットセグメンテーションアルゴリズムを記述している。 トレーニングされたネットワークは、トレーニングに欠落している臨床的に興味深い構造に効果的に適応することができる。 実験は、介入計画において重要な8つの解剖学的構造を分割する応用として提示される。
  論文  参考訳（メタデータ） (2022-09-12T11:34:57Z)
• f-Domain-Adversarial Learning: Theory and Algorithms [82.97698406515667]
  教師なしのドメイン適応は、トレーニング中、ターゲットドメイン内のラベルなしデータにアクセス可能な、多くの機械学習アプリケーションで使用されている。 領域適応のための新しい一般化法を導出し、f-発散体の変分的特徴に基づく分布間の相違性の新しい尺度を利用する。
  論文  参考訳（メタデータ） (2021-06-21T18:21:09Z)
• Multi-Task, Multi-Domain Deep Segmentation with Shared Representations and Contrastive Regularization for Sparse Pediatric Datasets [0.5249805590164902]
  マルチタスクおよびマルチドメイン学習フレームワークを用いて,解剖学の異なる部分から生じるセグメンテーションモデルをトレーニングすることを提案する。 提案するセグメンテーションネットワークは、共有畳み込みフィルタ、各データセット統計を計算するドメイン固有のバッチ正規化パラメータを含む。 骨分節に対する足関節および肩関節の2つの小児画像データセットについて検討した。
  論文  参考訳（メタデータ） (2021-05-21T12:26:05Z)
• Self-supervised Augmentation Consistency for Adapting Semantic Segmentation [56.91850268635183]
  本稿では,実用的かつ高精度な意味セグメンテーションのためのドメイン適応手法を提案する。 私たちは標準データ拡張技術である$-$フォトメトリックノイズ、フリップとスケーリング$-$を採用し、セマンティック予測の一貫性を保証する。 適応後の最先端セグメンテーション精度を大幅に改善し、バックボーンアーキテクチャと適応シナリオの異なる選択に整合性を持たせる。
  論文  参考訳（メタデータ） (2021-04-30T21:32:40Z)
• Shape-aware Meta-learning for Generalizing Prostate MRI Segmentation to Unseen Domains [68.73614619875814]
  前立腺MRIのセグメント化におけるモデル一般化を改善するために,新しい形状認識メタラーニング手法を提案する。 実験結果から,本手法は未確認領域の6つの設定すべてにおいて,最先端の一般化手法を一貫して上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2020-07-04T07:56:02Z)

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。