SPEGC: 医用画像分割のための意味的プロンプト強化グラフクラスタリングによる継続的テスト時適応
arXiv cs.CV / 2026/3/13
📰 ニュースIdeas & Deep AnalysisTools & Practical UsageModels & Research
要点
- SPEGCは、意味的プロンプト強化特徴とグラフクラスタリングを組み合わせた、医用画像分割のための継続的なテスト時適応フレームワークを提案します。
- それは、分離された共通性と異質性のプロンプトプールを用いて、局所特徴へグローバルな文脈情報を注入し、ドメインシフトに対する頑健性を向上させます。
- この手法は、グローバルエッジの疎化を最適輸送問題として再定式化し、エンドツーエンドで洗練された高次の構造表現を得る微分可能なグラフクラスタリングソルバーを導入します。
- この頑健な構造表現は、クラスターレベルの一貫性を保つことでモデルの適応を導き、意思決定境界を動的に調整します。
- 二つの医用画像分割ベンチマークでの実験により、SPEGCは最先端のCTTA手法を上回ることが示され、コードはGitHubに公開されています。
医用画像分割タスクでは、トレーニングデータとテストデータの収集差によって生じるドメインギャップが、事前学習済みモデルの臨床現場での展開を著しく妨げています。継続的テスト時適応（CTTA）は、事前学習済みモデルが絶えず変化するラベルなしドメインに適応できるようにすることを目的とし、この問題を解決する有効なアプローチを提供します。しかし、既存のCTTA法はしばしば信頼性の低い教師信号に依存し、誤差蓄積の自己強化サイクルを引き起こし、最終的には壊滅的な性能低下を招きます。この課題を克服するため、医用画像分割のためのSemantic-Prompt-Enhanced Graph Clustering（SPEGC）によるCTTAを提案します。まず、デカップリングされた共通性と異質性のプロンプトプールを利用して、局所特徴へグローバルな文脈情報を注入し、ドメインシフト下でのノイズ干渉に対する感受性を緩和する意味的プロンプト特徴強化機構を設計します。次に、これらの強化された特徴に基づいて、微分可能なグラフクラスタリングソルバーを設計します。このソルバーは、グローバルなエッジの疎化を最適輸送問題として再定式化し、生の類似性マトリクスをエンドツーエンドで洗練された高次の構造表現へと蒸留できるようにします。最後に、この頑健な構造表現はモデルの適応を導くために使用され、クラスターレベルでの予測の一貫性を保証し、意思決定境界を動的に調整します。大規模な実験により、SPEGCは2つの医用画像分割ベンチマークで他の最先端のCTTA手法よりも優れていることが示されました。ソースコードはhttps://github.com/Jwei-Z/SPEGC-for-MISで利用可能です。
