論文の概要: Benchmarking Self-Supervised 3D Medical Vision Foundation Models and Transferability Estimation

• arxiv url: http://arxiv.org/abs/2610.17573v1
• Date: Tue, 13 Oct 2026 01:52:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.487021
• Title: Benchmarking Self-Supervised 3D Medical Vision Foundation Models and Transferability Estimation
• Title（参考訳）: 自己監督型3次元医用ビジョンファウンデーションモデルのベンチマークと伝達可能性推定
• Abstract要約: セルフ教師付き事前トレーニングは、3D医療基盤モデルのプールを拡張したが、異なるデータセット、エンドポイント、微調整プロトコルを使用した評価を公表した。 14のセグメンテーション、分類、回帰タスク、複数の解剖学とモダリティにまたがる23の候補をベンチマークした。 3モデルショートリストは、7つのセグメンテーションタスクで記録された抜粋+訓練ジョブ時間を85.8%削減した。
• 参考スコア（独自算出の注目度）: 57.65266782182578
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Self-supervised pretraining has expanded the pool of 3D medical foundation models, but published evaluations use different datasets, endpoints and fine-tuning protocols. Models also differ in architecture, pretraining objective and data, while downstream targets range from voxel-level masks to patient-level diagnoses and outcomes. As a result, published findings provide little directly comparable evidence for choosing a model for a new task. Direct comparison of adaptation performance requires fine-tuning candidates on labelled target data, at substantial computational cost. We benchmark 23 candidates across the same 14 segmentation, classification and regression tasks spanning multiple anatomies and modalities. No candidate ranked among the top three across all segmentation tasks or across all classification and regression tasks; a convolutional encoder could outperform a transformer trained with the same objective on one task but underperform it on another. We benchmark transferability estimators against the fine-tuned rankings and find that their agreement varies across dense segmentation, classification and regression. InsightRank uses task-appropriate frozen-feature statistics and architecture-aware pairwise comparisons to rank candidates before fine-tuning. Across the 23-model pool, mean Kendall tau-b was 0.431 for segmentation and 0.352 for classification and regression. The segmentation Top 3 contained a task winner on four of nine tasks; the image-level Top 3 contained none on the five tasks, despite better full-ranking agreement than the matched conventional estimators. A three-model shortlist reduced recorded extraction-plus-training job time by 85.8% across seven segmentation tasks. Together, the benchmark provides a common reference for model selection and InsightRank offers a lower-cost way to prioritize fine-tuning, with shortlist performance that differs by target type.
• Abstract（参考訳）: セルフ教師付き事前トレーニングは、3D医療基盤モデルのプールを拡張したが、異なるデータセット、エンドポイント、微調整プロトコルを使用した評価を公表した。 モデルはまた、対象とデータを事前訓練するのに対して、下流のターゲットは、ボクセルレベルのマスクから患者レベルの診断と結果まで様々である。 結果として、公表された調査結果は、新しいタスクのモデルを選択する上で、直接的に比較できる証拠をほとんど提供しない。 適応性能の直接比較には、ラベル付き対象データに対する微調整候補を相当な計算コストで要求する。 我々は、同じ14のセグメンテーション、分類、回帰タスクの23の候補を、複数の解剖学とモダリティにまたがってベンチマークした。 畳み込みエンコーダは、1つのタスクで同じ目的で訓練されたトランスフォーマーを上回り、もう1つのタスクで過小評価する。 我々は、微調整されたランキングに対して転送可能性推定器をベンチマークし、それらの一致が密度のセグメンテーション、分類、回帰によって異なることを確認する。 InsightRankは、タスク対応の凍結機能統計とアーキテクチャ対応のペアワイド比較を、微調整の前にランク候補と比較する。 23モデルプール全体では、Kendall tau-bはセグメンテーションが0.431、分類と回帰が0.352であった。 セグメンテーショントップ3には、9つのタスクのうち4つのタスクの勝者が含まれており、画像レベルトップ3には5つのタスクが含まれていなかった。 3モデルショートリストは、7つのセグメンテーションタスクで記録された抜粋+訓練ジョブ時間を85.8%削減した。 ベンチマークはモデル選択の共通参照を提供し、InsightRankは、ターゲットタイプによって異なるショートリストのパフォーマンスで、微調整を優先順位付けするコストの低い方法を提供する。

関連論文リスト

• MedSegBenchmarker: A Raw-Count-First Framework for Controlled 2D Medical Image Segmentation Benchmarks [1.0230975056328007]
  MEDSEGBENCHMARKER(MSB)は,2次元データセットのベンチマーク制御のための構成駆動フレームワークである。 MSBは、評価コンテキストとともに、サンプルレベルおよびクラスレベルの画素数と予測をエクスポートする。 3つの異種2Dデータセットと256画素および512ピクセルの入力解像度で評価された複数の視覚モデルを含むケーススタディでMSBを実証した。
  論文  参考訳（メタデータ） (2026-08-30T09:20:38Z)
• Explanation Quality Assessment as Ranking with Listwise Rewards [21.107094956399262]
  我々は、世代問題ではなく、ランキング問題として、説明品質評価を再構築する。 品質レベルが向上したインスタンスごとの候補セットを構築し,複数の候補を識別するために報奨モデルを構築した。 ポリシー最適化において報酬として使用される場合、ランキングベースのスコアは、回帰ベースの報酬が完全に失敗する設定において安定した収束を可能にする。
  論文  参考訳（メタデータ） (2026-04-27T08:35:30Z)
• Efficient Benchmarking of AI Agents [0.0]
  小型タスクサブセットがエージェントランキングを極めて低コストで維持できるかどうかを検討する。 絶対スコア予測は足場駆動の分布シフトで低下することがわかった。 本稿では,中間的履歴パス率を持つタスクに対してのみ,新しいエージェントを評価できる最適化フリープロトコルを提案する。
  論文  参考訳（メタデータ） (2026-03-24T22:17:11Z)
• Rethinking Pulmonary Embolism Segmentation: A Study of Current Approaches and Challenges with an Open Weight Model [21.024556007374684]
  3Dモデルは、塞栓の形態的特徴から、この課題に特に適している。 CNNベースのモデルは一般的に、PEセグメンテーションにおけるVTベースのモデルよりも優れたパフォーマンスが得られる。 一方、タスクの複雑さと高品質なデータセットの不足のため、遠位塞栓は難しいままである。
  論文  参考訳（メタデータ） (2025-09-22T18:34:30Z)
• Self-Training with Pseudo-Label Scorer for Aspect Sentiment Quad Prediction [54.23208041792073]
  Aspect Sentiment Quad Prediction (ASQP) は、与えられたレビューに対して全てのクワッド(アスペクト項、アスペクトカテゴリー、意見項、感情極性)を予測することを目的としている。 ASQPタスクにおける重要な課題はラベル付きデータの不足であり、既存のメソッドのパフォーマンスを制限している。 そこで我々は,擬似ラベルスコアラーを用いた自己学習フレームワークを提案し,レビューと擬似ラベルの一致をスコアラーが評価する。
  論文  参考訳（メタデータ） (2024-06-26T05:30:21Z)
• Efficient Transferability Assessment for Selection of Pre-trained Detectors [63.21514888618542]
  本稿では,事前学習対象検出器の効率的な伝達性評価について検討する。 我々は、事前訓練された検出器の大規模で多様な動物園を含む検出器転送性ベンチマークを構築した。 実験により,本手法は伝達性の評価において,他の最先端手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-03-14T14:23:23Z)
• X-model: Improving Data Efficiency in Deep Learning with A Minimax Model [78.55482897452417]
  ディープラーニングにおける分類と回帰設定の両面でのデータ効率の向上を目標とする。 両世界の力を生かすために,我々は新しいX-モデルを提案する。 X-モデルは、特徴抽出器とタスク固有のヘッドの間でミニマックスゲームを行う。
  論文  参考訳（メタデータ） (2021-10-09T13:56:48Z)
• Document Ranking with a Pretrained Sequence-to-Sequence Model [56.44269917346376]
  関連ラベルを「ターゲット語」として生成するためにシーケンス・ツー・シーケンス・モデルをどのように訓練するかを示す。 提案手法は,データポーラ方式におけるエンコーダのみのモデルよりも大幅に優れている。
  論文  参考訳（メタデータ） (2020-03-14T22:29:50Z)
• Meta-Learned Confidence for Few-shot Learning [60.6086305523402]
  数ショットのメトリックベースのアプローチのための一般的なトランスダクティブ推論手法は、最も確実なクエリ例の平均で、各クラスのプロトタイプを更新することである。 本稿では,各クエリの信頼度をメタラーニングして,ラベルのないクエリに最適な重みを割り当てる手法を提案する。 4つのベンチマークデータセットに対してメタ学習の信頼度で、少数ショットの学習モデルを検証した。
  論文  参考訳（メタデータ） (2020-02-27T10:22:17Z)

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。