Jove
Visualize
Contáctanos

Video Experimental Relacionado

Updated: Jan 8, 2026

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

721

A3-TTA: Adaptación de Prueba Adaptativa de Anclaje para Segmentación de Imágenes

Jianghao Wu, Xiangde Luo, Yubo Zhou

    IEEE transactions on image processing : a publication of the IEEE Signal Processing Society
    |December 22, 2025
    PubMed
    Resumen

    Videos de Conceptos Relacionados

    También podría leer

    Artículos Relacionados

    Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

    Ordenar por
    Same author

    Non-invasive diagnostic model for myocarditis using cardiac magnetic resonance radiomics.

    Quantitative imaging in medicine and surgery·2026
    Same author

    A unified multi-task framework enables interpretable chest radiograph analysis.

    Med (New York, N.Y.)·2026
    Same author

    Acute changes in ankle dorsiflexor strength and fNIRS-Derived cortical activation following a single session of neuromuscular electrical stimulation in healthy older adults.

    Frontiers in aging·2026
    Same author

    Machine learning for predicting surgical difficulty of laparoscopic total mesorectal excision for rectal cancer: integrating MR-based pelvimetry and peritoneal reflection.

    Frontiers in medicine·2026
    Same author

    SUDA: Simultaneous unsupervised knowledge distillation and adaptation of foundation models for efficient pathological image analysis.

    Medical image analysis·2026
    Same author

    Integrated multi-omics analysis reveals the molecular mechanism underlying poplar 107 rootstock-mediated regulation of <i>Populus tomentosa</i> scion growth.

    Horticulture research·2026
    JoVE
    x logofacebook logolinkedin logoyoutube logo
    ACERCA DE JoVE
    Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
    AUTORES
    Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
    BIBLIOTECARIOS
    TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
    INVESTIGACIÓN
    JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
    EDUCACIÓN
    JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
    Términos y Condiciones de Uso
    Política de Privacidad
    Políticas

    Un nuevo marco de Adaptación de Prueba (TTA), A3-TTA, genera pseudo-etiquetas fiables mediante supervisión guiada por anclaje. Este enfoque mejora significativamente el rendimiento de la segmentación de imágenes bajo desplazamiento de dominio, superando a los métodos existentes.

    Área de la Ciencia:

    • Visión por Computadora
    • Aprendizaje Automático
    • Imágenes Médicas

    Sus antecedentes:

    • La Adaptación de Prueba (TTA) permite la implementación de modelos de segmentación de imágenes bajo desplazamiento de dominio sin reentrenamiento.
    • El pseudo-etiquetado es una estrategia TTA común, pero los métodos existentes que utilizan heurísticas de perturbación producen señales de entrenamiento inestables y acumulación de errores.

    Objetivo del estudio:

    • Desarrollar un marco TTA robusto que genere pseudo-etiquetas fiables para mejorar el rendimiento de la segmentación de imágenes.
    • Abordar los problemas de inestabilidad y acumulación de errores en los métodos TTA actuales basados en pseudo-etiquetado.

    Principales métodos:

    • Se propuso el marco A3-TTA que utiliza supervisión guiada por anclaje para la generación fiable de pseudo-etiquetas.
    Palabras clave:
    adaptación de pruebasegmentación de imágenesaprendizaje automáticovisión por computadoraaprendizaje profundoredes neuronales convolucionalesdesplazamiento de dominiopseudo-etiquetadoaprendizaje auto-supervisadoaprendizaje semi-supervisado

    Más Videos Relacionados

    Automated Midline Shift and Intracranial Pressure Estimation based on Brain CT Images
    14:08

    Automated Midline Shift and Intracranial Pressure Estimation based on Brain CT Images

    Published on: April 13, 2013

    43.4K

    Videos de Experimentos Relacionados

    Last Updated: Jan 8, 2026

    Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
    04:48

    Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

    Published on: July 5, 2024

    721
    Automated Midline Shift and Intracranial Pressure Estimation based on Brain CT Images
    14:08

    Automated Midline Shift and Intracranial Pressure Estimation based on Brain CT Images

    Published on: April 13, 2013

    43.4K
  • Se identificaron imágenes del dominio objetivo bien predichas (anclajes) utilizando la métrica de densidad compacta de clases.
  • Se regularizó la generación de pseudo-etiquetas mediante consistencia semántica y minimización de entropía consciente de los límites.
  • Se introdujo una media móvil exponencial auto-adaptativa para la mitigación del ruido de etiquetas y actualizaciones estables del modelo.

    • Principales resultados:

    • A3-TTA mejoró significativamente las puntuaciones promedio de Dice en 10.40 a 17.68 puntos porcentuales en comparación con el modelo fuente en conjuntos de datos de imágenes médicas y naturales.
    • Superó a varios métodos TTA de vanguardia en diferentes arquitecturas de segmentación.
    • Demostró un fuerte rendimiento en TTA continua con excelentes capacidades anti-olvido.

    Conclusiones:

    • A3-TTA proporciona una solución estable y eficaz para la segmentación de imágenes adaptativa al dominio.
    • La supervisión guiada por anclaje y las técnicas de regularización propuestas mejoran la fiabilidad de las pseudo-etiquetas.
    • El marco muestra potencial para la implementación en el mundo real de modelos de segmentación bajo distribuciones de datos variables.