論文の概要: When Online Adaptation Hurts: Parameter-Frozen Test-Time Ensembling for Continual Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2609.21412v1
• Date: Fri, 18 Sep 2026 07:21:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.894075
• Title: When Online Adaptation Hurts: Parameter-Frozen Test-Time Ensembling for Continual Medical Image Segmentation
• Title（参考訳）: オンライン適応ハルト:連続的医用画像分割のためのパラメータFrozenテスト時間構成
• Abstract要約: ソーストレーニングされたセグメンタを使用して、解剖学的に保存されたスケールとフリップビューを学び、予測をネイティブな場所にマップし、確率を平均化します。 ベンダーAでトレーニングされ、ベンダーB、C、Dで順次評価されるM&Mの心臓MRIストリームでは、PIEは、ソースのみの推論では0.7680、他の5つのオンライン適応ベースラインでは0.7388--0.7416に対して、平均Diceが0.7786である。
• 参考スコア（独自算出の注目度）: 0.5801621787540268
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical image segmenters often get worse when sites, scanner vendors, or protocols change. Continual test-time adaptation (CTTA) addresses this problem without target labels, but it can be impossible to update a model on a non-stationary stream and can lead to a lot of errors. We examine a more reasonable and meaningful alternative: parameter-frozen inference enhancement(PIE). We use a source-trained segmenter that learns about anatomy-preserving scale and flip views, maps their predictions back to the native location, and averages the probabilities. We do not modify the weights of the model or the normalization statistics. On a cardiac MRI stream from M\&Ms, which is trained on vendor A and evaluated sequentially on vendors B, C, and D, PIE has 0.7786 mean Dice, compared to 0.7680 for source-only inference and 0.7388--0.7416 for five other online-adaptation baselines. The controlled ablations show that performance saturates at 28 views, and confidence weighting, class-prior correction, connected-component filtering, morphological refinement, and inter-slice smoothing have no effect or cause negative transfer. Qualitative results on cardiac MRI and fundus images are also consistent with the frozen ensemble keeping thinner and nested anatomical structures. These results provide a strong, stable baseline for medical CTTA and expose an important failure mode: adaptation and handcrafted refinement can be less reliable than carefully designed inference.
• Abstract（参考訳）: 医療画像セグメンタは、サイトやスキャナベンダー、プロトコルが変わると、しばしば悪化する。 連続的なテスト時間適応(CTTA)は、ターゲットラベルなしでこの問題に対処するが、静止しないストリームでモデルを更新することは不可能であり、多くのエラーを引き起こす可能性がある。 パラメータフリーズ推論拡張(PIE)という,より合理的で有意義な代替手段を検討する。 ソーストレーニングされたセグメンタを使用して、解剖学的に保存されたスケールとフリップビューを学び、予測をネイティブな場所にマップし、確率を平均化します。 モデルの重みや正規化統計は変更しない。 ベンダーAでトレーニングされ、ベンダーB、C、Dで順次評価されるM\&Msの心臓MRIストリームでは、PIEは、ソースのみの推論では0.7680、他の5つのオンライン適応ベースラインでは0.7388-0.7416に対して、平均Diceが0.7786である。 その結果,28ビューで性能が飽和し,信頼度重み付け,クラス優先補正,連結成分フィルタリング,形態的精細化,スライス間平滑化が効果や負の伝達を引き起こすことが示唆された。 心臓MRIおよび底部画像の質的結果は, より薄く, ネストした解剖学的構造を維持した凍結アンサンブルと一致している。 これらの結果は、医療用CTTAの強力な安定したベースラインを提供し、重要な障害モードを露呈する。

関連論文リスト

• CFD-Guided Detection of Concept Drift in Multimodal Physiologic Signals [0.7739635712759623]
  心臓血管型AIモデルは、クリーンな心電図(ECG)信号を分類することができるが、実際のウェアラブル信号は、運動、呼吸、姿勢、センサー接触、そして真の臨床劣化によって変化する。 本稿では、モデルをいつ予測し、変更し、不確実性をフラグするべきかを問う。 本稿では, モデル内の変化と信号の計測可能な変化を比較する, PECSと呼ばれる生理的安定性の枠組みを提案する。
  論文  参考訳（メタデータ） (2026-08-07T20:48:49Z)
• Trustworthy Medical Segmentation: Uncertainty-Aware U-Net Evaluation Under Clinical Image Degradation [0.0]
  臨床劣化下での不確実性認識セグメンテーションを評価するための枠組みを提案する。 セグメンテーションの精度、校正、故障検出、選択的予測カバレッジを測定する。 これらの結果は, 医師・医師・医科医の安全層としての不確実性を考慮した推論を論じるものである。
  論文  参考訳（メタデータ） (2026-07-22T06:35:33Z)
• ConvFormer3D-TAP: Phase/Uncertainty-Aware Front-End Fusion for Cine CMR View Classification Pipelines [0.879504058268139]
  ConvFormer3D-TAPは3D畳み込みトークン化とマルチスケールの自己アテンションを統合し、心臓相と曖昧な側頭節間の堅牢性を高める。 ConvFormer3D-は150,974の臨床的に得られたシネ配列のコホートで、クラスごとのF1スコアによる検証精度が96%に達した。 これらの結果は、エンドツーエンドのcMRIにおけるビュールーティング、フィルタリング、品質制御のためのスケーラブルなフロントエンドとして、ConvFormer3DTAPをサポートする。
  論文  参考訳（メタデータ） (2026-04-13T12:29:16Z)
• Robust by Design: A Continuous Monitoring and Data Integration Framework for Medical AI [0.779547724026871]
  我々は、時間とともに堅牢なパフォーマンスを維持する自律的な継続的監視およびデータ統合フレームワークを提案する。 本手法では,モンテカルロのドロップアウトに基づく不確実性ゲーティングとマルチメトリック特徴解析を用いて,新しいデータの再トレーニングのタイミングを決定する。 マルチセンタデータセット上のResNet18アンサンブルによる実験では、このフレームワークはパフォーマンスの劣化を防ぐ。
  論文  参考訳（メタデータ） (2026-04-10T06:22:00Z)
• PUNCH: Physics-informed Uncertainty-aware Network for Coronary Hemodynamics [8.812266680285369]
  標準血管造影から冠血流量を直接推定するための非診断・不確実性認識フレームワークを提案する。 このシステムは、コントラスト輸送の第一原理モデルから冠血流を推定するために、物理インフォームドニューラルネットワークと変分推論を統合している。 パイプラインは、患者1人あたり約3分で、1つのGPU上で動作し、人口レベルのトレーニングは行わない。
  論文  参考訳（メタデータ） (2026-01-23T21:47:23Z)
• Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
  医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。 本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• DOMINO: Domain-aware Model Calibration in Medical Image Segmentation [51.346121016559024]
  現代のディープニューラルネットワークはキャリブレーションが不十分で、信頼性と信頼性を損なう。 本稿では,クラスラベル間のセマンティック・コンフューザビリティと階層的類似性を利用したドメイン認識モデルキャリブレーション手法であるDOMINOを提案する。 その結果,DOMINOを校正したディープニューラルネットワークは,頭部画像分割における非校正モデルや最先端形態計測法よりも優れていた。
  論文  参考訳（メタデータ） (2022-09-13T15:31:52Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)

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。