論文の概要: GIIM: Graph-based Learning of Inter- and Intra-view Dependencies for Multi-view Medical Image Diagnosis

• arxiv url: http://arxiv.org/abs/2603.09446v1
• Date: Tue, 10 Mar 2026 09:57:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-11 15:25:24.216298
• Title: GIIM: Graph-based Learning of Inter- and Intra-view Dependencies for Multi-view Medical Image Diagnosis
• Title（参考訳）: GIIM:多視点医用画像診断における相互・内部依存のグラフベース学習
• Authors: Tran Bao Sam, Hung Vu, Dao Trung Kien, Tran Dat Dang, Van Ha Tang, Steven Truong,
• Abstract要約: コンピュータ支援診断 (CADx) は医用画像に欠かせないものとなっているが, 自動診断システムはしばしば, 臨床解釈の微妙な過程の再現に苦慮している。 関係モデリングのための新しいグラフベースアプローチGIIMを提案する。 我々のフレームワークは、異常とビュー間ダイナミクスの間の重要なビュー内依存関係を同時にキャプチャするように設計されている。
• 参考スコア（独自算出の注目度）: 0.6773121102591491
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Computer-aided diagnosis (CADx) has become vital in medical imaging, but automated systems often struggle to replicate the nuanced process of clinical interpretation. Expert diagnosis requires a comprehensive analysis of how abnormalities relate to each other across various views and time points, but current multi-view CADx methods frequently overlook these complex dependencies. Specifically, they fail to model the crucial relationships within a single view and the dynamic changes lesions exhibit across different views. This limitation, combined with the common challenge of incomplete data, greatly reduces their predictive reliability. To address these gaps, we reframe the diagnostic task as one of relationship modeling and propose GIIM, a novel graph-based approach. Our framework is uniquely designed to simultaneously capture both critical intra-view dependencies between abnormalities and inter-view dynamics. Furthermore, it ensures diagnostic robustness by incorporating specific techniques to effectively handle missing data, a common clinical issue. We demonstrate the generality of this approach through extensive evaluations on diverse imaging modalities, including CT, MRI, and mammography. The results confirm that our GIIM model significantly enhances diagnostic accuracy and robustness over existing methods, establishing a more effective framework for future CADx systems.
• Abstract（参考訳）: コンピュータ支援診断 (CADx) は医用画像に欠かせないものとなっているが, 自動診断システムはしばしば, 臨床解釈の微妙な過程の再現に苦慮している。 専門的な診断には、様々な視点や時間点にまたがる異常がどのように関連しているかを包括的に分析する必要があるが、現在の多視点CADxメソッドは、これらの複雑な依存関係をしばしば見落としている。 具体的には、単一のビュー内の重要な関係や、異なるビューにまたがる動的変化の病変をモデル化することができない。 この制限は、不完全データの一般的な課題と相まって、予測信頼性を大幅に低下させる。 これらのギャップに対処するため、関係モデリングの1つとして診断タスクを再構成し、新しいグラフベースのアプローチであるGIIMを提案する。 我々のフレームワークは、異常とビュー間ダイナミクスの間の重要なビュー内依存関係を同時にキャプチャするように設計されている。 さらに、欠落したデータを効果的に扱うために特定のテクニックを取り入れることで、診断の堅牢性を確保する。 我々は,CT,MRI,マンモグラフィなどの様々な画像モダリティを広範囲に評価することで,このアプローチの汎用性を実証する。 その結果,GIIMモデルは既存の手法よりも診断精度とロバスト性を大幅に向上させ,将来のCADxシステムにおいてより効果的なフレームワークを構築した。

関連論文リスト

• MRC-GAT: A Meta-Relational Copula-Based Graph Attention Network for Interpretable Multimodal Alzheimer's Disease Diagnosis [2.2399170518036913]
  アルツハイマー病(英語: Alzheimer's disease, AD)は、早期かつ正確な診断を必要とする進行性神経変性疾患である。 近年の研究では、精度と信頼性を高めるためにコンピュータ支援診断モデルに注目が集まっている。 これらの制約を克服するために,AD分類タスクの効率的なマルチモーダルモデルとして,Meta-Relational Copula-Based Graph Attention Network (MRC-GAT)を提案する。
  論文  参考訳（メタデータ） (2026-02-17T17:15:32Z)
• Multi-View Stenosis Classification Leveraging Transformer-Based Multiple-Instance Learning Using Real-World Clinical Data [76.89269238957593]
  冠動脈狭窄は心血管疾患の主要な原因であり,多発血管造影で冠動脈を解析し診断した。 患者レベルの狭窄分類のためのトランスフォーマーベースマルチビューマルチインスタンス学習フレームワークであるSegmentMILを提案する。
  論文  参考訳（メタデータ） (2026-02-02T13:07:52Z)
• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• MIRNet: Integrating Constrained Graph-Based Reasoning with Pre-training for Diagnostic Medical Imaging [67.74482877175797]
  MIRNetは、自己教師付き事前学習と制約付きグラフベースの推論を統合する新しいフレームワークである。 TongueAtlas-4Kは,22の診断ラベルを付した4,000枚の画像からなるベンチマークである。
  論文  参考訳（メタデータ） (2025-11-13T06:30:41Z)
• RAD: Towards Trustworthy Retrieval-Augmented Multi-modal Clinical Diagnosis [56.373297358647655]
  Retrieval-Augmented Diagnosis (RAD)は、下流タスクで直接マルチモーダルモデルに外部知識を注入する新しいフレームワークである。 RADは、複数の医療ソースからの疾患中心の知識の検索と改善、ガイドライン強化コントラスト損失トランスフォーマー、デュアルデコーダの3つの主要なメカニズムで機能する。
  論文  参考訳（メタデータ） (2025-09-24T10:36:14Z)
• A Survey of Multimodal Ophthalmic Diagnostics: From Task-Specific Approaches to Foundational Models [28.34025112894094]
  このレビューでは、タスク固有のマルチモーダルアプローチと大規模マルチモーダル基盤モデルという2つの主要なカテゴリに焦点を当てている。 この調査は重要なデータセット、評価指標、方法論の革新について批判的に調査している。 また、データの多様性、アノテーションの制限、解釈可能性の欠如、様々な患者集団における一般化可能性の問題など、現在進行中の課題についても論じている。
  論文  参考訳（メタデータ） (2025-07-31T10:49:21Z)
• MedGNN: Towards Multi-resolution Spatiotemporal Graph Learning for Medical Time Series Classification [9.290150386783838]
  医用時系列分類のための多分解能グラフ学習フレームワークMedGNNを提案する。 まず、動的なマルチスケール埋め込みを学習するために、多分解能適応グラフ構造を構築することを提案する。 次に、時間的モデリングのための有限差分上で自己注意機構を操作するための差分注意ネットワークを提案する。
  論文  参考訳（メタデータ） (2025-02-06T21:34:54Z)
• A Learnable Multi-views Contrastive Framework with Reconstruction Discrepancy for Medical Time-Series [8.741139851597364]
  本稿では、関連するタスクから外部データを取り込み、AE-GANを利用して事前知識を抽出することを提案する。 マルチヘッドアテンション機構を統合し,異なる視点から表現を適応的に学習するフレームワークであるLMCFを紹介する。 3つのターゲットデータセットの実験により、我々の手法が他の7つのベースラインを一貫して上回ることを示した。
  論文  参考訳（メタデータ） (2025-01-30T14:20:11Z)
• QUBIQ: Uncertainty Quantification for Biomedical Image Segmentation Challenge [93.61262892578067]
  医用画像分割作業の不確実性、特にラター間変動性は重要な課題である。 この可変性は、自動セグメンテーションアルゴリズムの開発と評価に直接影響を及ぼす。 バイオメディカル画像量化チャレンジ(QUBIQ)における不確実性の定量化のベンチマーク結果を報告する。
  論文  参考訳（メタデータ） (2024-03-19T17:57:24Z)
• Cross Chest Graph for Disease Diagnosis with Structural Relational Reasoning [2.7148274921314615]
  X線画像のコンピュータ診断において位置病変は重要である。 一般に弱教師付き手法はX線像の特性を考慮できなかった。 自動病変検出の性能を向上させるCross-chest Graph (CCG)を提案する。
  論文  参考訳（メタデータ） (2021-01-22T08:24:04Z)

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。