論文の概要: Multifractal Recalibration of Neural Networks for Medical Imaging Segmentation

• arxiv url: http://arxiv.org/abs/2512.02198v1
• Date: Mon, 01 Dec 2025 20:43:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-03 21:04:45.604849
• Title: Multifractal Recalibration of Neural Networks for Medical Imaging Segmentation
• Title（参考訳）: 医用画像分割のためのニューラルネットワークのマルチフラクタルリカレーション
• Authors: Miguel L. Martins, Miguel T. Coimbra, Francesco Renna,
• Abstract要約: 単フラクタル・マルチフラクタル・リカレーションの2つの先例を紹介する。 これらの手法は、指数の確率質量と多フラクタルスペクトルの関係を利用してエンコーダ埋め込みの統計的記述を形成する。 U-Net ベースのフレームワークを用いて,他のチャネルアテンション機構を備えたベースラインに対して,マルチフラクタルリカレーションによりかなりの利得が得られることを示す。
• 参考スコア（独自算出の注目度）: 2.4150871564195002
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multifractal analysis has revealed regularities in many self-seeding phenomena, yet its use in modern deep learning remains limited. Existing end-to-end multifractal methods rely on heavy pooling or strong feature-space decimation, which constrain tasks such as semantic segmentation. Motivated by these limitations, we introduce two inductive priors: Monofractal and Multifractal Recalibration. These methods leverage relationships between the probability mass of the exponents and the multifractal spectrum to form statistical descriptions of encoder embeddings, implemented as channel-attention functions in convolutional networks. Using a U-Net-based framework, we show that multifractal recalibration yields substantial gains over a baseline equipped with other channel-attention mechanisms that also use higher-order statistics. Given the proven ability of multifractal analysis to capture pathological regularities, we validate our approach on three public medical-imaging datasets: ISIC18 (dermoscopy), Kvasir-SEG (endoscopy), and BUSI (ultrasound). Our empirical analysis also provides insights into the behavior of these attention layers. We find that excitation responses do not become increasingly specialized with encoder depth in U-Net architectures due to skip connections, and that their effectiveness may relate to global statistics of instance variability.
• Abstract（参考訳）: マルチフラクタル解析は、多くの自己探究現象の規則性を明らかにしているが、現代のディープラーニングでの使用は限定的である。 既存のエンドツーエンドのマルチフラクタルメソッドは、セマンティックセグメンテーションのようなタスクを制約する重いプーリングや強い特徴空間のデミテーションに依存している。 これらの制限により、単フラクタルと多フラクタルリカレーションという2つのインダクティブ先行を導入する。 これらの手法は、指数の確率質量と多フラクタルスペクトルの関係を利用して、畳み込みネットワークにおけるチャネルアテンション関数として実装されたエンコーダ埋め込みの統計的記述を形成する。 U-Netベースのフレームワークを用いて、高次統計を用いた他のチャネルアテンション機構を備えたベースラインに対して、マルチフラクタルリカレーションが実質的な利得をもたらすことを示す。 IIC18(皮膚鏡)、Kvasir-SEG(内視鏡)、BUSI(超音波)の3つの公開医用画像データセットに対して,多フラクタル解析による病理像の取得能力について検証した。 私たちの経験分析は、これらの注意層の振る舞いに関する洞察も提供します。 提案手法は,接続のスキップによるU-Netアーキテクチャのエンコーダ深度に特化せず,その有効性はインスタンス変動のグローバルな統計に関係している可能性が示唆された。

関連論文リスト

• RetSeg: Retention-based Colorectal Polyps Segmentation Network [0.0]
  ビジョントランスフォーマー(ViT)は医療画像解析に革命をもたらした。 ViTは、視覚データ処理においてコンテキスト認識を示し、堅牢で正確な予測を行う。 本稿では,マルチヘッド保持ブロックを備えたエンコーダデコーダネットワークRetSegを紹介する。
  論文  参考訳（メタデータ） (2023-10-09T06:43:38Z)
• Learning Multiscale Consistency for Self-supervised Electron Microscopy Instance Segmentation [48.267001230607306]
  本稿では,EMボリュームのマルチスケール一貫性を高める事前学習フレームワークを提案する。 当社のアプローチでは,強力なデータ拡張と弱いデータ拡張を統合することで,Siameseネットワークアーキテクチャを活用している。 効果的にボクセルと機能の一貫性をキャプチャし、EM分析のための転送可能な表現を学習する。
  論文  参考訳（メタデータ） (2023-08-19T05:49:13Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• Spectral Analysis Network for Deep Representation Learning and Image Clustering [53.415803942270685]
  本稿ではスペクトル分析に基づく教師なし深層表現学習のための新しいネットワーク構造を提案する。 パッチレベルで画像間の局所的な類似性を識別できるため、閉塞に対してより堅牢である。 クラスタリングに親しみやすい表現を学習し、データサンプル間の深い相関を明らかにすることができる。
  論文  参考訳（メタデータ） (2020-09-11T05:07:15Z)
• Max-Fusion U-Net for Multi-Modal Pathology Segmentation with Attention and Dynamic Resampling [13.542898009730804]
  関連するアルゴリズムの性能は、マルチモーダル情報の適切な融合によって大きく影響を受ける。 We present the Max-Fusion U-Net that achieve a improve pathology segmentation performance。 マルチシーケンスCMRデータセットを併用したMyoPS(Myocardial pathology segmentation)を用いて,本手法の評価を行った。
  論文  参考訳（メタデータ） (2020-09-05T17:24:23Z)
• MS-Net: Multi-Site Network for Improving Prostate Segmentation with Heterogeneous MRI Data [75.73881040581767]
  本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。 当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2020-02-09T14:11:50Z)
• Unpaired Multi-modal Segmentation via Knowledge Distillation [77.39798870702174]
  本稿では,不対向画像分割のための新しい学習手法を提案する。 提案手法では,CTおよびMRI間での畳み込みカーネルの共有により,ネットワークパラメータを多用する。 我々は2つの多クラスセグメンテーション問題に対するアプローチを広範囲に検証した。
  論文  参考訳（メタデータ） (2020-01-06T20:03:17Z)

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。