論文の概要: LeCor: Learning to Be Corrected by Meta-Learned Test-Time Training for Interactive 3D Lung-Tumour Segmentation
- arxiv url: http://arxiv.org/abs/2609.09477v1
- Date: Tue, 08 Sep 2026 21:49:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.824923
- Title: LeCor: Learning to Be Corrected by Meta-Learned Test-Time Training for Interactive 3D Lung-Tumour Segmentation
- Title（参考訳）: LeCor: 対話型3次元肺腫瘍切開のためのメタラーニングテストタイムトレーニングによる修正学習
- Abstract要約: 肺腫瘍におけるSAM 3の微調整は、0.298から0.757までの1点のプロンプトから得られるDiceを上昇させ、7ラウンドの補正によりさらに0.765まで上昇させる。
ケース毎にリセットされたケースアダプタの小さなセットでテスト時間トレーニングを行うLeCorを提案する。
LeCor は 7 回の補正ラウンドを 0.787 から 0.827 に引き上げ、0.80 を 47 から 27 に到達しないケースの数を 47 から 27 に減らし、3 回の補正ラウンドで細調整モデルが 7 で到達した精度を下げる。
- 参考スコア（独自算出の注目度）: 45.86925813888675
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Delineating lung tumours on computed tomography (CT) takes a considerable share of the time spent on radiotherapy planning, and a contour proposed by a model can be refined interactively by the clinician. Promptable foundation models such as SAM 3 support this workflow by writing each correction into a session memory that conditions the remaining slices, while the model weights stay fixed. On 690 test cases from five public CT cohorts, fine-tuning SAM 3 on lung tumours raises the Dice obtained from a single point prompt from 0.298 to 0.757, and seven rounds of corrections raise it further to 0.765, but under memory conditioning alone the accuracy on slices the annotator has not touched stops improving after six rounds. We therefore treat each correction as a training signal and propose LeCor, which performs test-time training on a small set of case adapters that are reset for every case and meta-learned such that a single gradient step driven by a click improves the slices that were not clicked. On the 133 test cases that span at least eight slices, LeCor raises the Dice reached after seven correction rounds from 0.787 with the fine-tuned model to 0.827, reduces the number of cases that never reach a Dice of 0.80 from 47 to 27, and reaches in three correction rounds the accuracy that the fine-tuned model attains in seven.
- Abstract（参考訳）: 肺腫瘍をCT(Computed tomography)で診断するには放射線治療計画に費やした時間の大部分を要し,臨床医が提案した輪郭をインタラクティブに改善することができる。
SAM 3のような確率的な基礎モデルは、各修正をセッションメモリに書き込むことで、残りのスライスを条件にし、モデルの重みは固定される。
5つのCTコホートから得られた690件のテストケースでは、肺腫瘍のSAM 3を微調整すると、0.298から0.757までの1点から得られたDiceが上昇し、7ラウンドの修正によりさらに0.765まで上昇するが、記憶条件下では、スライスしたアノテーターの精度は6ラウンド後に改善していない。
そこで我々は,各修正をトレーニング信号として扱い,各ケースに対してリセットされた小さなケースアダプタ上でテスト時間トレーニングを行うLeCorを提案し,クリックによって駆動される1つの勾配ステップがクリックされないスライスを改善する。
少なくとも8つのスライスにまたがる133のテストケースでは、LeCorは7回の補正ラウンドを0.787から0.827に引き上げ、ディス0.80を47から27に到達しないケースの数を減少させ、3回の修正ラウンドで細調整モデルが7で到達した精度を下げる。
関連論文リスト
- Two-Stage Personalized Gait Phase Estimation in Stroke Survivors During Exoskeleton-Assisted Walking: An Offline Feasibility Study [0.7734726150561086]
機能的慣性計測器(IMU)アライメントと2段階逐次適応を用いた脳卒中生存者の歩行位相推定について検討した。
トランスフォーマーは、最も低い最終誤差(2.90 +- 1.13$%)とヒールストライクタイミング誤差(23.7 +-4.5ms)を達成した。
その結果,エクソスケルトン支援歩行のためのフレームワークのオフライン実現可能性と組込み計算タイミングが支持された。
論文 参考訳（メタデータ） (2026-09-14T03:42:40Z) - Parameter-Efficient Fine-Tuning of Foundation Models for Liver Tumor Segmentation in CT [1.9403818519796712]
大腸癌肝転移の腹部CTにおける肝腫瘍分節に対するSegment Anything Model(SAM)のパラメーター効率細調整(PEFT)について検討した。
低ランク適応(LoRA)、4ビット量子化LoRA(QLoRA)、畳み込みアダプタ(Conv-Adapter)、指向スペクトルトップKアダプタ(DiSCo)を比較した。
Conv-AdapterとLoRAは最高精度(全Dice 0.793と0.792)、シングルポイントDice 0.795と0.792、95パーセントのハウスドルフ距離(HD95)32を達成した。
論文 参考訳（メタデータ） (2026-09-12T19:07:51Z) - Post-Operative Glioma Segmentation via Loss Stabilization, Normalization and Subspace Attention [46.03321798937855]
ドメインシフトの際,GDL(Generalized Dice Loss)が不安定であることを示す。
本稿では,ボトルネック機能を再校正するサブスペース・アウェア・クラス・アテンション(SACA)モジュールを提案し,腫瘍の感度を8%向上させる。
論文 参考訳（メタデータ） (2026-07-23T09:59:30Z) - Parameter-Efficient Adaptation of SAM 3 for Automated ITV Generation from 4DCT Images [0.0]
4次元CT(4DCT)は胸部解剖の完全な呼吸周期を捉えている。
現在の内部ターゲットボリューム構成プロセスは、各フェーズを分離し、時間的コヒーレンスを破棄し、フェーズ固有のアーティファクトに脆弱なままにしておく。
低ランク適応(LoRA)を介してSegment Anything Model 3(SAM3)にパラメータ効率の良い微調整を適用するフレームワークを提案する。
7つの注釈付きボリュームで、このフレームワークは全データの精度の95%以上を保持し、パイプライン全体は1つのコンシューマグレードのGPUでトレーニングできる。
論文 参考訳（メタデータ） (2026-06-14T05:12:57Z) - TriALS: Triphasic-Aided Liver Lesion Segmentation Benchmark in Non-Contrast CT [49.93685997940356]
コントラスト制限条件下での肝病変の自動分節に対するTriALSの課題について述べる。
最高性能は平均静脈圧0.754で, NCCTでは0.57に低下した。
アルゴリズムの性能は、トレーニングデータスケールと事前学習戦略によって最も強く予測された。
論文 参考訳（メタデータ） (2026-05-15T19:23:35Z) - TEMPO: Scaling Test-time Training for Large Reasoning Models [87.61789183311856]
テストタイムトレーニング(TTT)は、推論時間中にラベルのないテストインスタンスにモデルパラメータを適用する。
TTTフレームワークであるTEMPOを提案する。これは、ラベル付きデータセット上で定期的な批評家の再検討を行い、ラベル付き質問に対するポリシー修正をインターリーブする。
論文 参考訳（メタデータ） (2026-04-21T10:01:04Z) - C2W-Tune: Cavity-to -Wall Transfer Learning for Thin Atrial Wall Segmentation in 3D Late Gadolinium-enhanced Magnetic Resonance [1.452875650827562]
C2W-Tuneは2段階のキャビティ・ツー・ウォール・トランスファー・フレームワークである。
高精度のLA空洞モデルを解剖学的に用いて、薄肉の脱線を改善する。
C2W-TuneはDiceスコアが0.78、HD95が3.15mmに達し、マルチクラスのベンチマークを上回った。
論文 参考訳（メタデータ） (2026-03-26T03:35:35Z) - Pillar-0: A New Frontier for Radiology Foundation Models [41.640120966890954]
腹部骨盤CT42,990例,胸部CT86,411例,頭部CT14,348例,胸部MRI11,543例にPillar-0を導入した。
Pillar-0は平均86.4、88.0、90.1、82.9のAUROCを達成し、MedGemma (Google)、MedImageInsight (Microsoft)、Lingshu (Alibaba)、Merlin (スタンフォード)を7.8-15.8のAUROCポイントで上回り、87.2% (319/366)タスクでランクインしている。
論文 参考訳（メタデータ） (2025-11-21T21:50:34Z) - Click, Predict, Trust: Clinician-in-the-Loop AI Segmentation for Lung Cancer CT-Based Prognosis within the Knowledge-to-Action Framework [0.7340285482623061]
肺がんは依然としてがん死亡の主な原因であり、CT像はスクリーニング、予後、治療の中心となっている。
ディープラーニング(DL)は自動化を提供するが、臨床導入の障壁に直面している。
本研究は, 診断精度, 臨床信頼度を高めるために, ループ内DLパイプラインを開発した。
論文 参考訳（メタデータ） (2025-10-19T23:02:43Z) - DINOv3 with Test-Time Training for Medical Image Registration [3.9576638237437183]
本稿では,凍結したDINOv3エンコーダと,特徴空間における変形場の試験時間最適化に依存する無トレーニングパイプラインを提案する。
2つの代表的なベンチマークで、この方法は正確であり、定期的に変形する。
論文 参考訳（メタデータ） (2025-08-20T15:58:19Z) - Pretrained hybrid transformer for generalizable cardiac substructures segmentation from contrast and non-contrast CTs in lung and breast cancers [3.704003490598663]
放射線治療計画(RTP)のためのAI自動セグメンテーションは、トレーニングデータセットとは異なる特徴を持つ臨床ケースに適用した場合、劣化する可能性がある。
肺がんおよび乳癌患者の心下組織を分断するために, プレトレーニングしたトランスフォーマーをハイブリッドトランスフォーマー畳み込みネットワーク (HTN) に改良した。
HTNは, 画像, 患者特性の異なるCTからの心筋部分構造を, 確固たる精度(幾何学的, 線量的測定値)で示していた。
論文 参考訳（メタデータ） (2025-05-16T04:48:33Z) - Correcting Class Imbalances with Self-Training for Improved Universal Lesion Detection and Tagging [43.06199185109424]
CT研究におけるユニバーサル病変検出・タグング(ULDT)は,腫瘍の負担評価と経過に伴う病変の進行(成長・収縮)の追跡に重要である。
以前の研究では、DeepLesionデータセット(4,427人、研究10,594人、CTスライス32,120人、病変32,735人、体の一部のラベル8人)をアルゴリズム開発に使用していたが、このデータセットは完全に注釈付けされておらず、クラス不均衡を含んでいる。
我々は,DeepLesionの11.5%のサブセットを限定的に使用して,ULDTのための自己学習パイプラインを開発した。
論文 参考訳（メタデータ） (2025-04-07T15:57:03Z)
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。