論文の概要: MedSymmFlow: Bridging Generative Modeling and Classification in Medical Imaging through Symmetrical Flow Matching

• arxiv url: http://arxiv.org/abs/2507.19098v1
• Date: Fri, 25 Jul 2025 09:30:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-28 16:16:48.900572
• Title: MedSymmFlow: Bridging Generative Modeling and Classification in Medical Imaging through Symmetrical Flow Matching
• Title（参考訳）: MedSymmFlow:対称フローマッチングによる医用画像のブリッジジェネレーションモデルと分類
• Authors: Francisco Caetano, Lemar Abdi, Christiaan Viviers, Amaan Valiuddin, Fons van der Sommen,
• Abstract要約: この研究は、Symmetrical Flow Matching上に構築された生成-識別ハイブリッドモデルであるMedSymmFlowを提示する。 MedSymmFlowは4つのMedMNISTデータセットで評価され、さまざまなモダリティと病理をカバーしている。 その結果, MedSymmFlowは, 分類精度およびAUCにおいて, 確立されたベースラインの性能に適合するか, 上回っていることがわかった。
• 参考スコア（独自算出の注目度）: 2.241618130319058
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reliable medical image classification requires accurate predictions and well-calibrated uncertainty estimates, especially in high-stakes clinical settings. This work presents MedSymmFlow, a generative-discriminative hybrid model built on Symmetrical Flow Matching, designed to unify classification, generation, and uncertainty quantification in medical imaging. MedSymmFlow leverages a latent-space formulation that scales to high-resolution inputs and introduces a semantic mask conditioning mechanism to enhance diagnostic relevance. Unlike standard discriminative models, it naturally estimates uncertainty through its generative sampling process. The model is evaluated on four MedMNIST datasets, covering a range of modalities and pathologies. The results show that MedSymmFlow matches or exceeds the performance of established baselines in classification accuracy and AUC, while also delivering reliable uncertainty estimates validated by performance improvements under selective prediction.
• Abstract（参考訳）: 信頼性の高い医用画像分類は、特に高精細な臨床環境では、正確な予測とよく校正された不確実性推定を必要とする。 本研究は, 医用画像における分類, 生成, 不確かさの定量化を統一するために設計された, 対称フローマッチングに基づく生成-識別ハイブリッドモデルであるMedSymmFlowを提示する。 MedSymmFlowは、高解像度入力にスケールする潜時空間の定式化を活用し、診断関連性を高めるセマンティックマスク条件付け機構を導入している。 標準的な判別モデルとは異なり、生成的サンプリングプロセスを通じて自然に不確実性を推定する。 このモデルは4つのMedMNISTデータセットで評価され、様々なモダリティと病理をカバーしている。 その結果、MedSymmFlowは、分類精度とAUCにおいて確立されたベースラインの性能と一致し、また、選択的予測の下で性能改善によって検証された信頼性の高い不確実性評価を提供することを示した。

関連論文リスト

• A Comprehensive Framework for Uncertainty Quantification of Voxel-wise Supervised Models in IVIM MRI [33.7054351451505]
  混合密度ネットワーク(MDN)のディープアンサンブルに基づく確率論的ディープラーニングフレームワークを提案する。 MDNは拡散係数Dと分数fのパラメータに対してより校正され、よりシャープな予測分布が得られたが、擬拡散係数D*ではわずかに過信が観察された。 本稿では,信頼できない推定値の同定と解釈を可能にする,不確実な定量化を伴うIVIMの包括的枠組みを提案する。
  論文  参考訳（メタデータ） (2025-08-06T16:08:55Z)
• Uncertainty-Aware Deep Learning for Automated Skin Cancer Classification: A Comprehensive Evaluation [11.342661330086921]
  本研究では,HAM10000データセットを用いたトランスファーラーニングと不確実性定量化(UQ)を用いた深層学習に基づく皮膚病変分類の包括的評価を行う。 結果は,CLIPベースの視覚変換器,特にSVMを用いたLAION CLIP ViT-H/14が最も高い分類性能を示した。 本研究は, 実際の臨床応用における信頼性と信頼性を高めるために, UQ を DL ベースの診断に組み込むことの重要性を強調した。
  論文  参考訳（メタデータ） (2025-06-12T02:29:16Z)
• Uncertainty quantification with approximate variational learning for wearable photoplethysmography prediction tasks [0.8312466807725922]
  Photoplethysmographyは、血液の相対的な変化に関する情報を符号化する。 ディープネットワークは、ウェアラブル測定デバイスから取得した大量のデータを扱うのに適している。
  論文  参考訳（メタデータ） (2025-05-16T16:21:45Z)
• Metrics that matter: Evaluating image quality metrics for medical image generation [48.85783422900129]
  本研究は、脳MRIデータを用いて、一般的に使用される非参照画像品質指標を包括的に評価する。 本研究は, ノイズ, 分布変化, および臨床的に関係のある不正確さを模倣した形態的変化を含む, 様々な課題に対する計量感度を評価する。
  論文  参考訳（メタデータ） (2025-05-12T01:57:25Z)
• AI Alignment in Medical Imaging: Unveiling Hidden Biases Through Counterfactual Analysis [16.21270312974956]
  人口統計学などのセンシティブな属性に対する医療画像MLモデルの依存性を評価するための新しい統計フレームワークを提案する。 本稿では,条件付き潜伏拡散モデルと統計的仮説テストを組み合わせて,そのようなバイアスを特定し定量化する実用的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-04-28T09:28:25Z)
• Safeguarding AI in Medical Imaging: Post-Hoc Out-of-Distribution Detection with Normalizing Flows [3.3968168503957625]
  現在のOOD検出方法は、事前訓練されたモデルに非現実的な再訓練または修正を要求する。 本稿では,既存の事前学習モデルとシームレスに統合する,ポストホック正規化フローベースアプローチを提案する。 我々の方法は84.61%のAUROCを達成し、ViM (80.65%) やMDS (80.87%) といった最先端の手法より優れていた。
  論文  参考訳（メタデータ） (2025-02-17T10:31:24Z)
• Evaluating Probabilistic Classifiers: The Triptych [62.997667081978825]
  本稿では,予測性能の異なる相補的な側面に焦点をあてた診断グラフィックのトリチチを提案し,研究する。 信頼性図は校正に対処し、受信動作特性(ROC)曲線は識別能力を診断し、マーフィー図は全体的な予測性能と価値を視覚化する。
  論文  参考訳（メタデータ） (2023-01-25T19:35:23Z)
• Towards Reliable Medical Image Segmentation by utilizing Evidential Calibrated Uncertainty [52.03490691733464]
  本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を利用して、医用画像分割の問題に対する確率と不確実性を明示的にモデル化する。 DeviSには不確実性を考慮したフィルタリングモジュールが組み込まれている。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• Improving Trustworthiness of AI Disease Severity Rating in Medical Imaging with Ordinal Conformal Prediction Sets [0.7734726150561088]
  統計的に厳密な不確実性定量化の欠如は、AI結果の信頼を損なう重要な要因である。 分布自由不確実性定量化の最近の進歩は、これらの問題に対する実用的な解決策である。 本稿では, 正しい狭窄の重症度を含むことが保証される順序予測セットを形成する手法を実証する。
  論文  参考訳（メタデータ） (2022-07-05T18:01:20Z)
• BSM loss: A superior way in modeling aleatory uncertainty of fine_grained classification [0.0]
  混合データ拡張戦略を用いた改良型ブートストラップ損失(BS損失)関数を提案する。 実験の結果,Mixup(BSM)モデルによるBS損失は,標準データ拡張と比較して予測誤差(ECE)を半減できることがわかった。 BSMモデルはドメイン外のデータのセマンティックな距離を知覚することができ、実際の臨床実践において高い可能性を示す。
  論文  参考訳（メタデータ） (2022-06-09T13:06:51Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。