論文の概要: Climbing the label tree: Hierarchy-preserving contrastive learning for medical imaging

• arxiv url: http://arxiv.org/abs/2511.03771v1
• Date: Wed, 05 Nov 2025 18:53:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-07 20:17:53.177466
• Title: Climbing the label tree: Hierarchy-preserving contrastive learning for medical imaging
• Title（参考訳）: ラベル木を登る:医用画像のための階層保存型コントラスト学習
• Authors: Alif Elham Khan,
• Abstract要約: 本稿では,ラベルツリーを第一級学習信号とし,評価対象とする階層保存型コントラストフレームワークを提案する。 提案手法では,共有祖先による正負の対の強みを拡大する階層重みコントラスト (HWC) と,レベル・アウェア・マージン (LAM) の2つのプラグイン目標を導入する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical image labels are often organized by taxonomies (e.g., organ - tissue - subtype), yet standard self-supervised learning (SSL) ignores this structure. We present a hierarchy-preserving contrastive framework that makes the label tree a first-class training signal and an evaluation target. Our approach introduces two plug-in objectives: Hierarchy-Weighted Contrastive (HWC), which scales positive/negative pair strengths by shared ancestors to promote within-parent coherence, and Level-Aware Margin (LAM), a prototype margin that separates ancestor groups across levels. The formulation is geometry-agnostic and applies to Euclidean and hyperbolic embeddings without architectural changes. Across several benchmarks, including breast histopathology, the proposed objectives consistently improve representation quality over strong SSL baselines while better respecting the taxonomy. We evaluate with metrics tailored to hierarchy faithfulness: HF1 (hierarchical F1), H-Acc (tree-distance-weighted accuracy), and parent-distance violation rate. We also report top-1 accuracy for completeness. Ablations show that HWC and LAM are effective even without curvature, and combining them yields the most taxonomy-aligned representations. Taken together, these results provide a simple, general recipe for learning medical image representations that respect the label tree and advance both performance and interpretability in hierarchy-rich domains.
• Abstract（参考訳）: 医療画像ラベルは、しばしば分類学(例えば、臓器 - 組織 - サブタイプ)によって組織されるが、標準的自己監督学習(SSL)はこの構造を無視している。 本稿では,ラベルツリーを第一級学習信号とし,評価対象とする階層保存型コントラストフレームワークを提案する。 HWC(Hierarchy-Weighted Contrastive)とLAM(Level-Aware Margin:Level-Aware Margin:Level-Aware Margin:Level-Aware Margin:Level-Aware Margin:Level-Aware Margin:Level-Aware Margin)の2つのプラグイン目標を導入する。 定式化は幾何学に依存しないもので、ユークリッドや双曲的埋め込みにもアーキテクチャ上の変化なしに適用できる。 胸部病理学を含むいくつかのベンチマークで提案された目的は、強いSSLベースラインよりも表現品質を一貫して改善し、分類学をより尊重することである。 HF1(階層的F1),H-Acc(ツリー距離重み付き精度),親距離違反率など,階層的忠実度に合わせた指標を用いて評価を行った。 また,完全性についてトップ1の精度を報告する。 アブレーションにより、HWCとLAMは曲率なしでも有効であることが示され、それらを組み合わせることで最も分類学的に整合した表現が得られる。 これらの結果は、ラベルツリーを尊重する医用画像表現を学習し、階層に富んだドメインの性能と解釈性の両方を向上するための、シンプルで一般的なレシピを提供する。

関連論文リスト

• SEAL: Semantic-Aware Hierarchical Learning for Generalized Category Discovery [17.624912732260672]
  本稿では,一般化カテゴリー発見(GCD)の問題点について考察する。 部分的にラベル付けされたデータセットが与えられた場合、GCDは、既知のクラスや未知のクラスに属するかどうかに関わらず、すべての未ラベルのイメージを分類することを目的としている。 本稿では,自然発生かつ容易にアクセス可能な階層構造によってガイドされるSEAL(SEmantic-aware HierArchical Learning framework)を紹介する。
  論文  参考訳（メタデータ） (2025-10-21T15:44:47Z)
• Visually Consistent Hierarchical Image Classification [37.80849457554078]
  階層分類は、例えば、粗いレベルの"Bird"から中レベルの"Hummingbird"から、細かいレベルの"Green hermit"まで、複数の分類のレベルにまたがるラベルを予測する。
  論文  参考訳（メタデータ） (2024-06-17T14:56:51Z)
• LEAF: Unveiling Two Sides of the Same Coin in Semi-supervised Facial Expression Recognition [56.22672276092373]
  半教師付き学習は、表情認識におけるラベル不足の課題に取り組むための有望なアプローチとして現れてきた。 半教師付きFERのための表現関連表現と擬似ラベルを協調する統合フレームワークであるhierarchicaL dEcoupling And Fusing (LEAF)を提案する。
  論文  参考訳（メタデータ） (2024-04-23T13:43:33Z)
• Text2Tree: Aligning Text Representation to the Label Tree Hierarchy for Imbalanced Medical Classification [9.391704905671476]
  本稿では、医療用テキストにおけるデータ課題を再考し、Text2Treeと呼ばれるフレームワークに依存しない新しいアルゴリズムを提案する。 ラベルのICDコードツリー構造をカスケードアテンションモジュールに組み込んで階層型ラベル表現を学習する。 異なるラベルのサンプルを再利用・識別することでテキスト分類を向上させるために,2つの新しい学習手法であるSimisity Surrogate Learning (SSL) とDissimilarity Mixup Learning (DML) が考案された。
  論文  参考訳（メタデータ） (2023-11-28T10:02:08Z)
• Label Relation Graphs Enhanced Hierarchical Residual Network for Hierarchical Multi-Granularity Classification [10.449261628173229]
  本研究では,階層の任意のレベルにオブジェクトをラベル付けするHMC問題について検討する。 子どもの特徴に残差接続を付加する階層的残差ネットワーク(HRN)を提案する。
  論文  参考訳（メタデータ） (2022-01-10T07:17:24Z)
• Statistical Dependency Guided Contrastive Learning for Multiple Labeling in Prenatal Ultrasound [56.631021151764955]
  標準平面認識は出生前超音波(US)スクリーニングにおいて重要な役割を担っている。 我々は,複数の標準平面と対応する解剖学的構造を同時に識別する,新しいマルチラベル学習手法を構築した。
  論文  参考訳（メタデータ） (2021-08-11T06:39:26Z)
• Joint Learning of Hyperbolic Label Embeddings for Hierarchical Multi-label Classification [9.996804039553858]
  ラベルが階層内に存在するマルチラベル分類の問題を検討する。 共同学習のための新しい定式化を提案し,その効果を実証的に評価する。
  論文  参考訳（メタデータ） (2021-01-13T10:58:54Z)
• A Teacher-Student Framework for Semi-supervised Medical Image Segmentation From Mixed Supervision [62.4773770041279]
  そこで我々は,臓器と病変のセグメンテーションのための教師と学生のスタイルに基づくセミ教師付き学習フレームワークを開発した。 我々は,本モデルがバウンディングボックスの品質に対して堅牢であることを示し,フル教師付き学習手法と比較した性能を実現する。
  論文  参考訳（メタデータ） (2020-10-23T07:58:20Z)
• Exploring the Hierarchy in Relation Labels for Scene Graph Generation [75.88758055269948]
  提案手法は,Recall@50において,複数の最先端ベースラインを大きなマージン(最大33%の相対利得)で改善することができる。 実験により,提案手法により,最先端のベースラインを大きなマージンで改善できることが示された。
  論文  参考訳（メタデータ） (2020-09-12T17:36:53Z)
• Hierarchical Image Classification using Entailment Cone Embeddings [68.82490011036263]
  まずラベル階層の知識を任意のCNNベースの分類器に注入する。 画像からの視覚的セマンティクスと組み合わせた外部セマンティクス情報の利用が全体的な性能を高めることを実証的に示す。
  論文  参考訳（メタデータ） (2020-04-02T10:22:02Z)

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。