論文の概要: iPac: Incorporating Intra-image Patch Context into Graph Neural Networks for Medical Image Classification
- arxiv url: http://arxiv.org/abs/2510.23504v1
- Date: Mon, 27 Oct 2025 16:37:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-28 15:28:15.623091
- Title: iPac: Incorporating Intra-image Patch Context into Graph Neural Networks for Medical Image Classification
- Title（参考訳）: iPac:医療画像分類のための画像内パッチコンテキストをグラフニューラルネットワークに組み込む
- Authors: Usama Zidan, Mohamed Gaber, Mohammed M. Abdelsamea,
- Abstract要約: iPacは、グラフニューラルネットワーク画像分類を強化するために、画像の新しいグラフ表現を導入する新しいアプローチである。
iPacはパッチパーティショニング、機能抽出、クラスタリング、グラフ構築、グラフベースの学習など、さまざまなステージを統合している。
本手法は画像分類,特に医用画像の領域において汎用的で汎用的なソリューションを提供する。
- 参考スコア（独自算出の注目度）: 2.2940141855172036
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph neural networks have emerged as a promising paradigm for image processing, yet their performance in image classification tasks is hindered by a limited consideration of the underlying structure and relationships among visual entities. This work presents iPac, a novel approach to introduce a new graph representation of images to enhance graph neural network image classification by recognizing the importance of underlying structure and relationships in medical image classification. iPac integrates various stages, including patch partitioning, feature extraction, clustering, graph construction, and graph-based learning, into a unified network to advance graph neural network image classification. By capturing relevant features and organising them into clusters, we construct a meaningful graph representation that effectively encapsulates the semantics of the image. Experimental evaluation on diverse medical image datasets demonstrates the efficacy of iPac, exhibiting an average accuracy improvement of up to 5% over baseline methods. Our approach offers a versatile and generic solution for image classification, particularly in the realm of medical images, by leveraging the graph representation and accounting for the inherent structure and relationships among visual entities.
- Abstract（参考訳）: グラフニューラルネットワークは画像処理において有望なパラダイムとして現れてきたが、画像分類タスクのパフォーマンスは、基盤となる構造と視覚的エンティティ間の関係について限定的な考慮によって妨げられている。
この研究は、医用画像分類における基盤構造の重要性と関係を認識することにより、グラフニューラルネットワーク画像分類を強化するために、画像の新しいグラフ表現を導入する新しいアプローチであるiPacを提案する。
iPacは、パッチパーティショニング、特徴抽出、クラスタリング、グラフ構築、グラフベースの学習など、さまざまなステージを統合して、グラフニューラルネットワークイメージの分類を前進させる。
関連する特徴を捕捉し、それらをクラスタにまとめることで、画像の意味を効果的にカプセル化する有意義なグラフ表現を構築する。
各種医用画像データセットの実験的評価は、iPacの有効性を示し、ベースライン法よりも平均5%の精度向上を示した。
本手法は, 医用画像の領域において, グラフ表現を活用し, 視覚的実体間の固有構造と関係を考慮し, 画像分類の汎用的で汎用的なソリューションを提供する。
関連論文リスト
- Fast Graph Neural Network for Image Classification [0.0]
本研究では,グラフ畳み込みネットワーク(GCN)とボロノイ図を統合して画像分類を強化する手法を提案する。
提案モデルは,各種ベンチマークデータセットの事前処理効率と分類精度の両方において,大幅な改善を実現する。
論文 参考訳（メタデータ） (2025-08-20T17:57:59Z) - A Graph-Based Framework for Interpretable Whole Slide Image Analysis [86.37618055724441]
我々は,全スライディング画像を生物学的にインフォームドされたグラフ表現に変換するフレームワークを開発した。
我々のアプローチは、任意の格子ではなく、自然構造を尊重する組織領域からグラフノードを構築する。
がんのステージングと生存予測の課題に強いパフォーマンスを示す。
論文 参考訳（メタデータ） (2025-03-14T20:15:04Z) - UnSegGNet: Unsupervised Image Segmentation using Graph Neural Networks [9.268228808049951]
この研究は、教師なし医療画像とコンピュータビジョンの幅広い分野に貢献する。
これは、現実世界の課題に沿うイメージセグメンテーションのための革新的な方法論である。
提案手法は,医用画像,リモートセンシング,物体認識など,多様な応用の可能性を秘めている。
論文 参考訳（メタデータ） (2024-05-09T19:02:00Z) - Patch-wise Graph Contrastive Learning for Image Translation [69.85040887753729]
グラフニューラルネットワークを利用して、トポロジを意識した特徴をキャプチャする。
予め訓練されたエンコーダからパッチワイドな類似性に基づいてグラフを構築する。
階層的な意味構造を捉えるために,グラフプーリングを提案する。
論文 参考訳（メタデータ） (2023-12-13T15:45:19Z) - Two Stream Scene Understanding on Graph Embedding [4.78180589767256]
本稿では,コンピュータビジョンにおけるシーン理解の促進を目的とした,新しい2ストリームネットワークアーキテクチャを提案する。
グラフ特徴ストリームネットワークは、セグメンテーション構造、シーングラフ生成、およびグラフ表現モジュールを含む。
ADE20Kデータセットで行った実験は、画像分類精度を向上させるために提案した2ストリームネットワークの有効性を示した。
論文 参考訳（メタデータ） (2023-11-12T05:57:56Z) - Multimodal brain age estimation using interpretable adaptive
population-graph learning [58.99653132076496]
下流タスクに最適化された人口グラフ構造を学習するフレームワークを提案する。
注意機構は、画像と非画像の特徴のセットに重みを割り当てる。
グラフ構築において最も重要な注意重みを可視化することにより、グラフの解釈可能性を高める。
論文 参考訳（メタデータ） (2023-07-10T15:35:31Z) - Graph Self-Supervised Learning for Endoscopic Image Matching [1.8275108630751844]
鍵点間の空間関係をモデル化するために,局所的な視覚的外観を捉える畳み込みニューラルネットワークと注目に基づくグラフニューラルネットワークを組み合わせた,新たな自己教師型アプローチを提案する。
我々のアプローチはラベル付きデータを必要とせず、完全に自己管理されたスキームで訓練されている。
提案手法は,最先端の手工法と深層学習法より優れ,精度(1)とマッチングスコア(99.3%)で優れた性能を示す。
論文 参考訳（メタデータ） (2023-06-19T19:53:41Z) - Coarse-to-Fine Contrastive Learning in Image-Text-Graph Space for
Improved Vision-Language Compositionality [50.48859793121308]
対照的に訓練された視覚言語モデルは、視覚と言語表現学習において顕著な進歩を遂げた。
近年の研究では、対象、属性、関係性に対して構成的推論を行う能力に厳しい制限が強調されている。
論文 参考訳（メタデータ） (2023-05-23T08:28:38Z) - Graph Neural Networks for UnsupervisedDomain Adaptation of
Histopathological ImageAnalytics [22.04114134677181]
組織像解析のための教師なし領域適応のための新しい手法を提案する。
特徴空間に画像を埋め込むバックボーンと、ラベルで画像の監視信号をプロパゲートするグラフニューラルネットワーク層に基づいている。
実験では、4つの公開データセット上での最先端のパフォーマンスを評価する。
論文 参考訳（メタデータ） (2020-08-21T04:53:44Z)
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。