論文の概要: EndoFSA: Endoscopic Few-Shot Image Generation via Rank-Constrained Parameter Adaptation

• arxiv url: http://arxiv.org/abs/2609.29930v1
• Date: Thu, 24 Sep 2026 14:59:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:10.033754
• Title: EndoFSA: Endoscopic Few-Shot Image Generation via Rank-Constrained Parameter Adaptation
• Title（参考訳）: EndoFSA: ランク制約パラメータ適応による内視鏡的Few-Shot画像生成
• Abstract要約: EndoFSA は WCE 画像の適応による End Few-Shot 画像生成のための GAN ベースのモデルである。 解剖学的前兆を保存し、現実的な病理学的変動を可能にする。 ピクセルレベルのアノテーションやマスク、バウンディングボックスの監視を必要としない。
• 参考スコア（独自算出の注目度）: 3.7660066212240744
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: WCE produces large-scale gastrointestinal image data yet pathological findings remain significantly underrepresented limiting the generalization performance of deep-learning based abnormality detection systems. SDG methods offer a practical solution to mitigate this imbalance. However their training directly on scarce abnormal samples often results in instability overfitting and structural distortions. Addressing these challenges requires controlled adaptation mechanisms that preserve anatomical priors while enabling realistic pathological variation. This paper presents EndoFSA a GAN-based model for Endoscopic Few-Shot image generation by Adaptation in WCE imaging. EndoFSA leverages a generator pretrained on abundant normal data and adapts it to abnormal domains using limited number of training samples through a rank-constrained parameter adaptation where only a small number of modulation parameters is updated while the pretrained weights remain frozen. By restricting parameter updates to a low dimensional subspace and incorporating perceptual boundary regularization and cluster-wise diversity control EndoFSA enables efficient model adaptation under limited data conditions and mitigates mode collapse while preserving the anatomical priors learned from normal data. Importantly EndoFSA operates without requiring pixel-level annotations, masks or bounding box supervision. Evaluation on publicly available WCE benchmark datasets spanning various abnormal categories demonstrates that EndoFSA generates abnormal images reproducing real lesions morphology. Moreover in a downstream classification task training an image classifier solely on synthetic abnormal images generated by EndoFSA yields performance comparable to that obtained with real images.
• Abstract（参考訳）: WCEは、大規模な消化管画像データを生成するが、病理学的所見は、ディープラーニングに基づく異常検出システムの一般化性能を著しく低下させ続けている。 SDG法は、この不均衡を緩和するための実用的な解決策を提供する。 しかし、わずかな異常サンプルを直接トレーニングすると、しばしば不安定なオーバーフィットと構造歪みが発生する。 これらの課題に対処するには、現実的な病理学的変異を許容しつつ、解剖学的先行性を維持する制御された適応機構が必要である。 本稿では,WCE画像の適応による内視鏡的Few-Shot画像生成のためのGANモデルであるEndoFSAを提案する。 EndoFSAは、豊富な正規データに基づいて事前訓練されたジェネレータを活用し、事前訓練された重量が凍結されている間、少数の変調パラメータのみを更新するランク制約パラメータ適応を通じて、限られた数のトレーニングサンプルを使用して異常ドメインに適応する。 低次元部分空間へのパラメータ更新を制限し、知覚境界正則化とクラスタワイド多様性制御を取り入れることで、EndoFSAは、制限されたデータ条件下での効率的なモデル適応を可能にし、通常のデータから学んだ解剖学的事前を保存しながらモード崩壊を緩和する。 重要なことは、EndoFSAはピクセルレベルのアノテーション、マスク、バウンディングボックスの監督を必要としない。 様々な異常カテゴリにまたがる公開可能なWCEベンチマークデータセットの評価は、EndoFSAが実際の病変を再現する異常画像を生成することを示す。 さらに、下流分類タスクトレーニングでは、EndoFSAが生成した合成異常画像のみに基づく画像分類器が、実画像と同等の性能を得る。

関連論文リスト

• Layout-Guided Controllable Pathology Image Generation with In-Context Diffusion Transformers [57.54843029965778]
  制御可能な病理画像合成には、空間配置、組織形態、意味的詳細の信頼できる規制が必要である。 In-Context Diffusion Transformer (IC-DiT) は,空間レイアウト,テキスト記述,視覚的埋め込みを統合拡散変換器に組み込んだレイアウト認識生成モデルである。 IC-DiTは既存の方法よりも忠実度が高く、空間制御性が強く、診断の整合性が良くなる。
  論文  参考訳（メタデータ） (2026-03-11T06:14:11Z)
• Diffusion-Based Data Augmentation for Medical Image Segmentation [2.841725244360927]
  DiffAugは、テキスト誘導拡散ベースの生成と自動セグメンテーションバリデーションを組み合わせた、新しいフレームワークである。 我々のフレームワークは、ベースラインよりも8-10%Diceの改善で最先端のパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2025-08-25T09:49:27Z)
• Generate Aligned Anomaly: Region-Guided Few-Shot Anomaly Image-Mask Pair Synthesis for Industrial Inspection [53.137651284042434]
  異常検査は製造業において重要な役割を担っているが、異常サンプルの不足は既存の方法の有効性を制限している。 本稿では,GAA (Generate grained Anomaly) を提案する。 GAAは少数のサンプルのみを用いて現実的で多様で意味的に整合した異常を発生させる。
  論文  参考訳（メタデータ） (2025-07-13T12:56:59Z)
• Fine-grained Abnormality Prompt Learning for Zero-shot Anomaly Detection [109.72772150095646]
  FAPromptは、精密なZSADのためのきめ細かい異常プロンプトを学習するために設計された新しいフレームワークである。 産業的欠陥と医療的異常の両方をカバーする19の実世界のデータセットの実験は、FAPromptが画像レベルのZSADタスクとピクセルレベルのZSADタスクの両方で最先端の手法を大幅に上回っていることを実証している。
  論文  参考訳（メタデータ） (2024-10-14T08:41:31Z)
• Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
  本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。 提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。 医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-03-19T09:28:19Z)
• ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
  大腸内視鏡検査は臨床診断や治療に不可欠である。 注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。 本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
  論文  参考訳（メタデータ） (2023-09-03T07:55:46Z)
• Reversing the Abnormal: Pseudo-Healthy Generative Networks for Anomaly Detection [8.737589725372398]
  PHANES(Pseudo Healthy Generative Network for Anomaly)と呼ばれる新しい教師なしアプローチを導入する。 本手法は, 異常を回復し, 健康な組織を保存し, 異常領域を偽の健康再建に置き換える機能を有する。 我々は、T1w脳MRIデータセットの脳梗塞検出におけるPHANESの有効性を実証し、最先端(SOTA)法よりも大幅に改善したことを示す。
  論文  参考訳（メタデータ） (2023-03-15T08:54:20Z)
• 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)
• Convolutional Neural Network to Restore Low-Dose Digital Breast Tomosynthesis Projections in a Variance Stabilization Domain [15.149874383250236]
  畳み込みニューラルネットワーク(CNN)は、低線量(LD)投影を標準的なフル線量(FD)取得と同等の画質に復元するために提案されている。 平均二乗誤差(MNSE)、正規化訓練時間、ノイズ空間相関の点で従来のデータ駆動方式と比較して、ネットワークは優れた結果を得た。
  論文  参考訳（メタデータ） (2022-03-22T13:31:47Z)
• Self-supervised Pseudo Multi-class Pre-training for Unsupervised Anomaly Detection and Segmentation in Medical Images [31.676609117780114]
  教師なし異常検出(UAD)法は、正常な(または健康な)画像のみを用いて訓練されるが、テスト中は正常な(または正常な)画像と異常な画像を分類することができる。 コントラスト学習(PMSACL)によるPseudo Multi-class Strong Augmentation(Pseudo Multi-class Strong Augmentation)という,MIA UADアプリケーションのための自己指導型事前学習手法を提案する。
  論文  参考訳（メタデータ） (2021-09-03T04:25:57Z)
• About Explicit Variance Minimization: Training Neural Networks for Medical Imaging With Limited Data Annotations [2.3204178451683264]
  VAT(Variance Aware Training)法は、モデル損失関数に分散誤差を導入することにより、この特性を利用する。 多様な領域から得られた3つの医用画像データセットと様々な学習目標に対するVATの有効性を検証した。
  論文  参考訳（メタデータ） (2021-05-28T21:34:04Z)

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。