論文の概要: TopoCL: Topological Contrastive Learning for Medical Imaging

• arxiv url: http://arxiv.org/abs/2603.14647v1
• Date: Sun, 15 Mar 2026 23:03:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.939483
• Title: TopoCL: Topological Contrastive Learning for Medical Imaging
• Title（参考訳）: TopoCL : 医用画像のトポロジカルコントラスト学習
• Authors: Guangyu Meng, Pengfei Gu, Peixian Liang, John P. Lalor, Erin Wolf Chambers, Danny Z. Chen,
• Abstract要約: TopoCLは、医用画像のコントラスト学習において、トポロジカルな構造を明示的に活用する。 TopoCLは、統計学的に重要な線形プローブ分類の精度で+3.26%の平均的な向上を達成している。
• 参考スコア（独自算出の注目度）: 13.944892759807473
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Contrastive learning (CL) has become a powerful approach for learning representations from unlabeled images. However, existing CL methods focus predominantly on visual appearance features while neglecting topological characteristics (e.g., connectivity patterns, boundary configurations, cavity formations) that provide valuable cues for medical image analysis. To address this limitation, we propose a new topological CL framework (TopoCL) that explicitly exploits topological structures during contrastive learning for medical imaging. Specifically, we first introduce topology-aware augmentations that control topological perturbations using a relative bottleneck distance between persistence diagrams, preserving medically relevant topological properties while enabling controlled structural variations. We then design a Hierarchical Topology Encoder that captures topological features through self-attention and cross-attention mechanisms. Finally, we develop an adaptive mixture-of-experts (MoE) module to dynamically integrate visual and topological representations. TopoCL can be seamlessly integrated with existing CL methods. We evaluate TopoCL on five representative CL methods (SimCLR, MoCo-v3, BYOL, DINO, and Barlow Twins) and five diverse medical image classification datasets. The experimental results show that TopoCL achieves consistent improvements: an average gain of +3.26% in linear probe classification accuracy with strong statistical significance, verifying its effectiveness.
• Abstract（参考訳）: コントラスト学習(CL)は、ラベルのない画像から表現を学習するための強力なアプローチとなっている。 しかし,既存のCL法では,医用画像解析に有用なトポロジカルな特徴(接続パターン,境界構成,空洞形成など)を無視しながら,視覚的特徴に重点を置いている。 この制限に対処するために,医用画像のコントラスト学習においてトポロジカルな構造を明示的に活用する新しいトポロジカルCLフレームワーク(TopoCL)を提案する。 具体的には、まず、持続図間の相対的ボトルネック距離を用いてトポロジ的摂動を制御し、制御された構造変化を可能としながら、医学的に関連するトポロジ的特性を保存するトポロジ的拡張を導入する。 次に、自己アテンションと相互アテンション機構を通じてトポロジ的特徴をキャプチャする階層型トポロジエンコーダを設計する。 最後に,視覚的およびトポロジ的表現を動的に統合する適応型Mixed-of-experts (MoE) モジュールを開発した。 TopoCLは既存のCLメソッドとシームレスに統合できる。 TopoCLは5つの代表的なCL法(SimCLR, MoCo-v3, BYOL, DINO, Barlow Twins)と5つの医学画像分類データセットで評価した。 実験結果から,TopoCLの線形プローブ分類精度は平均+3.26%向上し,その有効性が確認された。

関連論文リスト

• Class Visualizations and Activation Atlases for Enhancing Interpretability in Deep Learning-Based Computational Pathology [1.5921492981295717]
  トランスフォーマーベース基礎モデルを用いて, クラスビジュアライゼーション (CV) とアクティベーションアトラス (AA) を評価した。 CVは形態学的に異なる組織に対する認識性を保ったが,重複癌サブクラスに対する分離性は低下した。 組織レベルの粗い概念がコヒーレントな領域を形成したのに対し、より微細なサブクラスは分散と重複を示した。
  論文  参考訳（メタデータ） (2026-03-07T12:23:10Z)
• GAFR-Net: A Graph Attention and Fuzzy-Rule Network for Interpretable Breast Cancer Image Classification [0.0]
  病理画像分類のための頑健で解釈可能なグラフ注意とファジィルールネットワークであるGAFRNetを提案する。 GAFR-Netは、複数の倍率および分類タスクにおいて、様々な最先端手法を一貫して上回ることを示す。 これらの結果は,医用医用画像解析における信頼性の高い意思決定支援ツールとして,GAFR-Netの優れた一般化と実用性を検証した。
  論文  参考訳（メタデータ） (2026-02-10T01:25:57Z)
• 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)
• HTG-GCL: Leveraging Hierarchical Topological Granularity from Cellular Complexes for Graph Contrastive Learning [18.97546255767921]
  グラフの対比学習は、決定的トポロジ的パターンを共有する同じグラフの異なるビューを対比することにより、識別的意味的不変性を学習することを目的としている。 HTG-GCL(Hierarchical Topological Granularity Graph Contrastive Learning)は,同じグラフの変換を利用して,マルチスケールのリングベース細胞複合体を生成する新しいフレームワークである。
  論文  参考訳（メタデータ） (2025-11-30T09:09:42Z)
• Self-Supervised Anatomical Consistency Learning for Vision-Grounded Medical Report Generation [61.350584471060756]
  医用画像の臨床的に正確な記述を作成することを目的とした医用レポート生成。 本稿では, 自己監督型解剖学的一貫性学習(SS-ACL)を提案し, 生成された報告を対応する解剖学的領域と整合させる。 SS-ACLは、ヒト解剖学の不変のトップダウン包摂構造にインスパイアされた階層的な解剖学的グラフを構築する。
  論文  参考訳（メタデータ） (2025-09-30T08:59:06Z)
• Leveraging Vision-Language Embeddings for Zero-Shot Learning in Histopathology Images [7.048241543461529]
  ゼロショット組織像分類におけるこれらの課題に対処するため, MR-PHE(Multi-Resolution Prompt-Guided Hybrid Embedding)と呼ばれる新しいフレームワークを提案する。 我々は,グローバルな画像埋め込みと重み付けされたパッチ埋め込みを統合したハイブリッドな埋め込み戦略を導入する。 類似性に基づくパッチ重み付け機構は、クラス埋め込みとの関連性に基づいて、アテンションのような重み付けをパッチに割り当てる。
  論文  参考訳（メタデータ） (2025-03-13T12:18:37Z)
• MIRROR: Multi-Modal Pathological Self-Supervised Representation Learning via Modality Alignment and Retention [57.044719143401664]
  病理組織学と転写学は、腫瘍学の基本的なモダリティであり、疾患の形態学的および分子的側面を包含している。 モーダルアライメントと保持を両立させる新しいマルチモーダル表現学習法であるMIRRORを提案する。 がんの亜型化と生存分析のためのTCGAコホートに関する広範囲な評価は,MIRRORの優れた性能を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-03-01T07:02:30Z)
• HomoGCL: Rethinking Homophily in Graph Contrastive Learning [64.85392028383164]
  HomoGCL はモデルに依存しないフレームワークで、近隣のノードに固有の意味を持つ正の集合を拡大する。 我々は、HomoGCLが6つの公開データセットにまたがって複数の最先端結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2023-06-16T04:06:52Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)

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。