論文の概要: Hierarchical Corpus-View-Category Refinement for Carotid Plaque Risk Grading in Ultrasound

• arxiv url: http://arxiv.org/abs/2506.23108v1
• Date: Sun, 29 Jun 2025 06:20:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 21:27:53.721899
• Title: Hierarchical Corpus-View-Category Refinement for Carotid Plaque Risk Grading in Ultrasound
• Title（参考訳）: 超音波における頸動脈プラークリスクグレーディングのための階層的コーパスビュー・カテゴリリファインメント
• Authors: Zhiyuan Zhu, Jian Wang, Yong Jiang, Tong Han, Yuhao Huang, Ang Zhang, Kaiwen Yang, Mingyuan Luo, Zhe Liu, Yaofei Duan, Dong Ni, Tianhong Tang, Xin Yang,
• Abstract要約: 我々はCVC-RF(Corpus-View-Category Refinement Framework)を提案する。 CVC-RFはコーパスレベル、ビューレベル、カテゴリーレベルの情報を処理し、モデル性能を向上させる。 実験結果から,CVC-RFは多レベル改良によるグローバルな特徴を効果的にモデル化できることが示された。
• 参考スコア（独自算出の注目度）: 29.02957425057645
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate carotid plaque grading (CPG) is vital to assess the risk of cardiovascular and cerebrovascular diseases. Due to the small size and high intra-class variability of plaque, CPG is commonly evaluated using a combination of transverse and longitudinal ultrasound views in clinical practice. However, most existing deep learning-based multi-view classification methods focus on feature fusion across different views, neglecting the importance of representation learning and the difference in class features. To address these issues, we propose a novel Corpus-View-Category Refinement Framework (CVC-RF) that processes information from Corpus-, View-, and Category-levels, enhancing model performance. Our contribution is four-fold. First, to the best of our knowledge, we are the foremost deep learning-based method for CPG according to the latest Carotid Plaque-RADS guidelines. Second, we propose a novel center-memory contrastive loss, which enhances the network's global modeling capability by comparing with representative cluster centers and diverse negative samples at the Corpus level. Third, we design a cascaded down-sampling attention module to fuse multi-scale information and achieve implicit feature interaction at the View level. Finally, a parameter-free mixture-of-experts weighting strategy is introduced to leverage class clustering knowledge to weight different experts, enabling feature decoupling at the Category level. Experimental results indicate that CVC-RF effectively models global features via multi-level refinement, achieving state-of-the-art performance in the challenging CPG task.
• Abstract（参考訳）: 正確な頸動脈プラークグレーディング(CPG)は、循環器疾患や脳血管疾患のリスクを評価する上で不可欠である。 また, プラークの小型化, クラス内変動の増大などにより, 経時的超音波検査と経時的超音波検査の併用が一般的である。 しかし、既存のディープラーニングに基づく多視点分類手法は、表現学習の重要性とクラスの特徴の違いを無視して、異なる視点をまたいだ特徴融合に焦点を当てている。 これらの課題に対処するため,コーパスレベル,ビューレベル,カテゴリレベルの情報を処理する新しいコーパス・ビュー・カテゴリ・リファインメント・フレームワーク(CVC-RF)を提案する。 私たちの貢献は4倍です。 第一に、最新のCarotid Plaque-RADSガイドラインによると、私たちはCPGの最も深い学習に基づく手法です。 第2に,コーパスレベルの代表的クラスタセンターと多様な負のサンプルを比較することにより,ネットワークのグローバルなモデリング能力を向上させる,新たなセンターメモリコントラスト損失を提案する。 第3に,マルチスケール情報を融合し,ビューレベルでの暗黙的な特徴相互作用を実現するために,ケースドダウンサンプリングアテンションモジュールを設計する。 最後に、クラスクラスタリングの知識を活用してさまざまな専門家を重み付けし、カテゴリレベルでの機能分離を可能にするために、パラメータフリーのミックス・オブ・エキスパートの重み付け戦略を導入する。 実験結果から,CVC-RFは多段階改良によるグローバルな特徴を効果的にモデル化し,課題であるCPGタスクにおける最先端性能を実現することが示唆された。

関連論文リスト

• HDC: Hierarchical Distillation for Multi-level Noisy Consistency in Semi-Supervised Fetal Ultrasound Segmentation [2.964206587462833]
  HDCと呼ばれる新しい半教師付きセグメンテーションフレームワークが提案されている。 この枠組みは,特徴表現の整合化のための相関誘導損失と,雑音の多い学生学習を安定化するための相互情報損失の2つの目的を持つ階層的蒸留機構を導入している。
  論文  参考訳（メタデータ） (2025-04-14T04:52:24Z)
• Leveraging Vision-Language Embeddings for Zero-Shot Learning in Histopathology Images [7.048241543461529]
  ゼロショット組織像分類におけるこれらの課題に対処するため, MR-PHE(Multi-Resolution Prompt-Guided Hybrid Embedding)と呼ばれる新しいフレームワークを提案する。 我々は,グローバルな画像埋め込みと重み付けされたパッチ埋め込みを統合したハイブリッドな埋め込み戦略を導入する。 類似性に基づくパッチ重み付け機構は、クラス埋め込みとの関連性に基づいて、アテンションのような重み付けをパッチに割り当てる。
  論文  参考訳（メタデータ） (2025-03-13T12:18:37Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• Dynamic Sub-Cluster-Aware Network for Few-Shot Skin Disease Classification [31.539129126161978]
  本稿では,まれな皮膚疾患の診断における精度を高めるためのサブクラスタ・アウェア・ネットワーク(SCAN)という新しいアプローチを提案する。 SCANの設計を動機づける重要な洞察は、クラス内の皮膚疾患の画像が複数のサブクラスタを示すことが多いという観察である。 数発の皮膚疾患分類のための2つのパブリックデータセットに対する提案手法の評価を行った。
  論文  参考訳（メタデータ） (2022-07-03T16:06:04Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• PDBL: Improving Histopathological Tissue Classification with Plug-and-Play Pyramidal Deep-Broad Learning [20.940530194934972]
  Pyramidal Deep-Broad Learning (PDBL) は、よく訓練された分類バックボーンのための軽量なプラグイン・アンド・プレイモジュールである。 PDBLは、任意のCNNバックボーンの組織レベルの分類性能を着実に改善することができる。
  論文  参考訳（メタデータ） (2021-11-04T09:35:12Z)
• PointNu-Net: Keypoint-assisted Convolutional Neural Network for Simultaneous Multi-tissue Histology Nuclei Segmentation and Classification [23.466331358975044]
  ヘマトキシリンおよびエオシン染色組織学データから核を同時に検出し,分画し,分類する新しい手法を考案し,その設計を行った。 本研究は,19種類の組織にまたがる核分割と分類のための提案手法の優れた性能を実証する。
  論文  参考訳（メタデータ） (2021-11-01T08:29:40Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)

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。