論文の概要: Lung Infection Severity Prediction Using Transformers with Conditional TransMix Augmentation and Cross-Attention

• arxiv url: http://arxiv.org/abs/2510.06887v1
• Date: Wed, 08 Oct 2025 11:08:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-09 16:41:20.44821
• Title: Lung Infection Severity Prediction Using Transformers with Conditional TransMix Augmentation and Cross-Attention
• Title（参考訳）: コンディショナルトランスミクス拡張とクロスアテンションを用いたトランスフォーマを用いた肺感染症重症度予測
• Authors: Bouthaina Slika, Fadi Dornaika, Fares Bougourzi, Karim Hammoudi,
• Abstract要約: 肺感染症、特に肺炎は、急速にエスカレートする深刻な健康リスクを引き起こす。 肺感染症の重症度を評価するため,CTスキャンと胸部X線検査の両方に適用可能な新しい方法を提案する。 i)QCross-Att-PVT、並列エンコーダ、クロスゲートアテンション機構、機能アグリゲータを統合したTransformerベースのアーキテクチャ、および(ii)カスタムデータ拡張戦略であるConditional Online TransMixです。
• 参考スコア（独自算出の注目度）: 13.087848666528563
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Lung infections, particularly pneumonia, pose serious health risks that can escalate rapidly, especially during pandemics. Accurate AI-based severity prediction from medical imaging is essential to support timely clinical decisions and optimize patient outcomes. In this work, we present a novel method applicable to both CT scans and chest X-rays for assessing lung infection severity. Our contributions are twofold: (i) QCross-Att-PVT, a Transformer-based architecture that integrates parallel encoders, a cross-gated attention mechanism, and a feature aggregator to capture rich multi-scale features; and (ii) Conditional Online TransMix, a custom data augmentation strategy designed to address dataset imbalance by generating mixed-label image patches during training. Evaluated on two benchmark datasets, RALO CXR and Per-COVID-19 CT, our method consistently outperforms several state-of-the-art deep learning models. The results emphasize the critical role of data augmentation and gated attention in improving both robustness and predictive accuracy. This approach offers a reliable, adaptable tool to support clinical diagnosis, disease monitoring, and personalized treatment planning. The source code of this work is available at https://github.com/bouthainas/QCross-Att-PVT.
• Abstract（参考訳）: 肺感染症、特に肺炎は、特にパンデミックの間、急速にエスカレートする深刻な健康リスクを引き起こす。 医療画像からの正確なAIベースの重症度予測は、タイムリーな臨床決定をサポートし、患者の結果を最適化するために不可欠である。 本研究では,肺感染症の重症度を評価するために,CTスキャンと胸部X線の両方に適用可能な新しい方法を提案する。 私たちの貢献は2つあります。 (i)QCross-Att-PVT、並列エンコーダを統合したトランスフォーマーベースのアーキテクチャ、クロスゲートアテンション機構、リッチなマルチスケール特徴をキャプチャする機能アグリゲータ (ii) Conditional Online TransMixは、トレーニング中に混合ラベルイメージパッチを生成してデータセットの不均衡に対処するために設計されたカスタムデータ拡張戦略である。 RALO CXR と Per-COVID-19 CT の2つのベンチマークデータセットから評価した。 その結果、データの増大と、ロバスト性および予測精度の向上における重要な役割を強調した。 このアプローチは、臨床診断、疾患モニタリング、パーソナライズされた治療計画をサポートする信頼性があり、適応可能なツールを提供する。 この作業のソースコードはhttps://github.com/bouthainas/QCross-Att-PVTで公開されている。

関連論文リスト

• HistoViT: Vision Transformer for Accurate and Scalable Histopathological Cancer Diagnosis [1.5939351525664014]
  マルチクラス腫瘍分類のためのトランスフォーマーに基づくディープラーニングフレームワークを提案する。 本手法は従来の畳み込みニューラルネットワークの限界に対処する。 アプローチ分類では, 乳がん, 前立腺癌, 骨癌, 頸部癌が99.32%, 96.92%, 95.28%, 96.94%であった。
  論文  参考訳（メタデータ） (2025-08-15T03:10:52Z)
• impuTMAE: Multi-modal Transformer with Masked Pre-training for Missing Modalities Imputation in Cancer Survival Prediction [75.43342771863837]
  我々は,効率的なマルチモーダル事前学習戦略を備えた新しいトランスフォーマーに基づくエンドツーエンドアプローチである impuTMAE を紹介する。 マスクされたパッチを再構築することで、モダリティの欠如を同時に示唆しながら、モダリティ間の相互作用とモダリティ内相互作用を学習する。 本モデルは,TGA-GBM/LGGとBraTSデータセットを用いたグリオーマ生存予測のために,異種不完全データに基づいて事前訓練を行った。
  論文  参考訳（メタデータ） (2025-08-08T10:01:16Z)
• MedSR-Impact: Transformer-Based Super-Resolution for Lung CT Segmentation, Radiomics, Classification, and Prognosis [0.0]
  高分解能CTは胸部疾患の正確な診断と治療計画に不可欠である。 臨床的肺CT解析のためのトランスフォーマーベース超解像フレームワークである Transformer Volumetric Super-Resolution Network (textbfTVSRN-V2) を提案する。
  論文  参考訳（メタデータ） (2025-07-21T07:53:49Z)
• Comparative Analysis of Vision Transformers and Traditional Deep Learning Approaches for Automated Pneumonia Detection in Chest X-Rays [1.2310316230437004]
  肺炎は、特に新型コロナウイルスなどの疾患によって引き起こされた場合、迅速かつ正確な診断を必要とする世界的な健康上の重要な課題である。 本研究は,胸部X線を用いた自動肺炎検出のための従来の機械学習と最先端の深層学習の総合的な比較を行った。 我々はビジョントランスフォーマー、特にクロスビットアーキテクチャが88.25%の精度と99.42%のリコールで優れた性能を発揮することを示した。
  論文  参考訳（メタデータ） (2025-07-11T16:26:24Z)
• Towards Clinical Practice in CT-Based Pulmonary Disease Screening: An Efficient and Reliable Framework [16.98886836566185]
  クラスタベースサブサンプリング(CSS)法は,CTスライスをコンパクトかつ包括的に選択する。 ハイブリッド不確実性定量化(HUQ)メカニズムは、Aleatoric Uncertainty(AU)とEpistemic Uncertainty(EU)の両方を最小の計算オーバーヘッドで評価する。
  論文  参考訳（メタデータ） (2024-12-02T14:18:17Z)
• Automatic diagnosis of knee osteoarthritis severity using Swin transformer [55.01037422579516]
  変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。 我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
  論文  参考訳（メタデータ） (2023-07-10T09:49:30Z)
• Revisiting Computer-Aided Tuberculosis Diagnosis [56.80999479735375]
  結核(TB)は世界的な健康上の脅威であり、毎年何百万人もの死者を出している。 深層学習を用いたコンピュータ支援結核診断 (CTD) は有望であるが, 限られたトレーニングデータによって進行が妨げられている。 結核X線(TBX11K)データセットは11,200個の胸部X線(CXR)画像とそれに対応するTB領域のバウンディングボックスアノテーションを含む。 このデータセットは、高品質なCTDのための洗練された検出器のトレーニングを可能にする。
  論文  参考訳（メタデータ） (2023-07-06T08:27:48Z)
• Vision Transformer-based Model for Severity Quantification of Lung Pneumonia Using Chest X-ray Images [11.12596879975844]
  我々は、新型コロナウイルスや他の肺疾患の重症度を定量化するために、少数のトレーニング可能なパラメータに依存するビジョントランスフォーマーベースのニューラルネットワークモデルを提案する。 本モデルでは,比較的低い計算コストで高一般化性で重大度を定量化する上で,ピーク性能を提供することができる。
  論文  参考訳（メタデータ） (2023-03-18T12:38:23Z)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。