論文の概要: Multi-Level Bidirectional Decoder Interaction for Uncertainty-Aware Breast Ultrasound Analysis

• arxiv url: http://arxiv.org/abs/2603.01295v1
• Date: Sun, 01 Mar 2026 22:02:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.614753
• Title: Multi-Level Bidirectional Decoder Interaction for Uncertainty-Aware Breast Ultrasound Analysis
• Title（参考訳）: 不確実性を考慮した乳房超音波解析のための多層双方向デコーダ相互作用
• Authors: Abdullah Al Shafi, Md Kawsar Mahmud Khan Zunayed, Safin Ahmmed, Sk Imran Hossain, Engelbert Mephu Nguifo,
• Abstract要約: 乳房超音波検査では,同時性病変の分節と組織分類が必要である。 マルチレベルデコーダインタラクションと不確実性を考慮した適応調整により,これらの制約に対処するマルチタスクフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 2.8218290601001854
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Breast ultrasound interpretation requires simultaneous lesion segmentation and tissue classification. However, conventional multi-task learning approaches suffer from task interference and rigid coordination strategies that fail to adapt to instance-specific prediction difficulty. We propose a multi-task framework addressing these limitations through multi-level decoder interaction and uncertainty-aware adaptive coordination. Task Interaction Modules operate at all decoder levels, establishing bidirectional segmentation-classification communication during spatial reconstruction through attention weighted pooling and multiplicative modulation. Unlike prior single-level or encoder-only approaches, this multi-level design captures scale specific task synergies across semantic-to-spatial scales, producing complementary task interaction streams. Uncertainty-Proxy Attention adaptively weights base versus enhanced features at each level using feature activation variance, enabling per-level and per-sample task balancing without heuristic tuning. To support instance-adaptive prediction, multi-scale context fusion captures morphological cues across varying lesion sizes. Evaluation on multiple publicly available breast ultrasound datasets demonstrates competitive performance, including 74.5% lesion IoU and 90.6% classification accuracy on BUSI dataset. Ablation studies confirm that multi-level task interaction provides significant performance gains, validating that decoder-level bidirectional communication is more effective than conventional encoder-only parameter sharing. The code is available at: https://github.com/C-loud-Nine/Uncertainty-Aware-Multi-Level-Decoder-Interaction.
• Abstract（参考訳）: 乳房超音波検査では,同時性病変の分節と組織分類が必要である。 しかし、従来のマルチタスク学習アプローチは、タスク干渉や、インスタンス固有の予測困難に適応できない厳格な調整戦略に悩まされている。 マルチレベルデコーダインタラクションと不確実性を考慮した適応調整により,これらの制約に対処するマルチタスクフレームワークを提案する。 タスクインタラクションモジュールは、すべてのデコーダレベルで動作し、注意重み付けプールと乗法変調による空間再構成中の双方向セグメンテーション分類通信を確立する。 従来のシングルレベルやエンコーダのみのアプローチとは異なり、このマルチレベル設計は意味-空間スケールにわたるスケール固有のタスクシナジーをキャプチャし、補完的なタスクインタラクションストリームを生成する。 不確実性-プロキシ 注意は、機能アクティベーションのばらつきを使って各レベルにおける機能強化に対して、ベースを適応的に重み付けし、ヒューリスティックチューニングなしで、レベル単位とサンプル単位のタスクバランシングを可能にする。 インスタンス適応予測をサポートするために、マルチスケールコンテキストフュージョンは、さまざまな病変サイズにわたる形態的手がかりをキャプチャする。 複数の乳房超音波データセットの評価は、74.5%の病変IoUと90.6%の分類精度を含む競争性能を示している。 アブレーション研究は、マルチレベルタスクの相互作用が、従来のエンコーダのみのパラメータ共有よりもデコーダレベルの双方向通信の方が効果的であることを示す。 コードはhttps://github.com/C-loud-Nine/Uncertainty-Aware-Level-Decoder-Interactionで公開されている。

関連論文リスト

• Test-time Adaptive Hierarchical Co-enhanced Denoising Network for Reliable Multimodal Classification [55.56234913868664]
  マルチモーダルデータを用いた信頼性学習のためのTAHCD(Test-time Adaptive Hierarchical Co-enhanced Denoising Network)を提案する。 提案手法は,最先端の信頼性の高いマルチモーダル学習手法と比較して,優れた分類性能,堅牢性,一般化を実現する。
  論文  参考訳（メタデータ） (2026-01-12T03:14:12Z)
• Bidirectional Channel-selective Semantic Interaction for Semi-Supervised Medical Segmentation [34.14846876792812]
  半教師型医用画像分割のための双方向チャネル選択セマンティックインタラクション(BCSI)フレームワークを提案する。 まず,SSP(Semantic-Spatial Perturbation)機構を提案する。 次に,ラベル付きデータとラベルなしデータとの相互作用におけるノイズを低減するために,チャネル選択型ルータ(CR)コンポーネントを提案する。
  論文  参考訳（メタデータ） (2026-01-09T15:32:57Z)
• Multi-scale Feature Enhancement in Multi-task Learning for Medical Image Analysis [1.6916040234975798]
  医用画像における伝統的な深層学習法は、分割や分類にのみ焦点をあてることが多い。 このモデルでは,デコーダがセグメント化マスクを生成するのに対して,エンコーダによって抽出された特徴を分類ラベルの予測に利用する。 複数の医療データセットにまたがる実験結果から, セグメンテーションタスクと分類タスクの両方において, モデルの優れた性能が確認された。
  論文  参考訳（メタデータ） (2024-11-30T04:20:05Z)
• CHASE: Learning Convex Hull Adaptive Shift for Skeleton-based Multi-Entity Action Recognition [10.045163723630159]
  CHASEはサンプル適応正規化法として機能し、濃度間分布の相違を緩和する。 このアプローチはシングルエンタリティのバックボーンにシームレスに適応し、マルチエンタリティシナリオにおけるパフォーマンスを向上します。
  論文  参考訳（メタデータ） (2024-10-09T17:55:43Z)
• Dynamic Correlation Learning and Regularization for Multi-Label Confidence Calibration [60.95748658638956]
  本稿では,多ラベルシナリオにおける信頼度を適切に評価することを目的としたマルチラベル信頼性タスクを提案する。 既存のシングルラベルキャリブレーション手法では、セマンティックな混乱に対処するために欠かせないカテゴリ相関を考慮できない。 本稿では,多粒度セマンティック相関を利用した動的相関学習と正規化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-09T13:26:21Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Object Segmentation by Mining Cross-Modal Semantics [68.88086621181628]
  マルチモーダル特徴の融合と復号を導くために,クロスモーダル・セマンティックスをマイニングする手法を提案する。 具体的には,(1)全周減衰核融合(AF),(2)粗大デコーダ(CFD),(3)多層自己超越からなる新しいネットワークXMSNetを提案する。
  論文  参考訳（メタデータ） (2023-05-17T14:30:11Z)
• Multi-scale and Cross-scale Contrastive Learning for Semantic Segmentation [5.281694565226513]
  セグメンテーションネットワークによって抽出されたマルチスケール特徴の識別能力を高めるために,コントラスト学習を適用した。 まず、エンコーダのマルチスケール表現を共通の特徴空間にマッピングすることにより、教師付き局所言語制約の新しい形式をインスタンス化する。
  論文  参考訳（メタデータ） (2022-03-25T01:24:24Z)
• Speaker Embedding-aware Neural Diarization: a Novel Framework for Overlapped Speech Diarization in the Meeting Scenario [51.5031673695118]
  重なり合う音声のダイアリゼーションを単一ラベル予測問題として再構成する。 話者埋め込み認識型ニューラルダイアリゼーション(SEND)システムを提案する。
  論文  参考訳（メタデータ） (2022-03-18T06:40:39Z)
• Multi-scale Interactive Network for Salient Object Detection [91.43066633305662]
  本稿では,隣接レベルからの機能を統合するためのアグリゲート・インタラクション・モジュールを提案する。 より効率的なマルチスケール機能を得るために、各デコーダユニットに自己相互作用モジュールを埋め込む。 5つのベンチマークデータセットによる実験結果から,提案手法は後処理を一切行わず,23の最先端手法に対して良好に動作することが示された。
  論文  参考訳（メタデータ） (2020-07-17T15:41:37Z)

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。