論文の概要: HMAR: Hierarchical Modality-Aware Expert and Dynamic Routing Medical Image Retrieval Architecture

• arxiv url: http://arxiv.org/abs/2603.16679v1
• Date: Tue, 17 Mar 2026 15:42:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-18 17:42:07.382322
• Title: HMAR: Hierarchical Modality-Aware Expert and Dynamic Routing Medical Image Retrieval Architecture
• Title（参考訳）: HMAR:階層的モダリティを意識したエキスパートとダイナミックルーティング医療画像検索アーキテクチャ
• Authors: Aojie Yuan,
• Abstract要約: MIRはコンピュータ支援診断の重要な要素であるが、既存のシステムは3つの永続的な限界に悩まされている。 我々は,Mixture-of-Experts (MoE)アーキテクチャ上に構築された適応検索フレームワークであるHMARを提案する。 RadioImageNet-CTデータセットの実験によると、HMARは64ビットと128ビットのハッシュコードに対して平均平均精度0.711と0.724を達成し、最先端ACIR法をそれぞれ0.7%と1.1%改善した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Medical image retrieval (MIR) is a critical component of computer-aided diagnosis, yet existing systems suffer from three persistent limitations: uniform feature encoding that fails to account for the varying clinical importance of anatomical structures, ambiguous similarity metrics based on coarse classification labels, and an exclusive focus on global image similarity that cannot meet the clinical demand for fine-grained region-specific retrieval. We propose HMAR (Hierarchical Modality-Aware Expert and Dynamic Routing), an adaptive retrieval framework built on a Mixture-of-Experts (MoE) architecture. HMAR employs a dual-expert mechanism: Expert0 extracts global features for holistic similarity matching, while Expert1 learns position-invariant local representations for precise lesion-region retrieval. A two-stage contrastive learning strategy eliminates the need for expensive bounding-box annotations, and a sliding-window matching algorithm enables dense local comparison at inference time. Hash codes are generated via Kolmogorov-Arnold Network (KAN) layers for efficient Hamming-distance search. Experiments on the RadioImageNet-CT dataset (16 clinical patterns, 29,903 images) show that HMAR achieves mean Average Precision (mAP) of 0.711 and 0.724 for 64-bit and 128-bit hash codes, improving over the state-of-the-art ACIR method by 0.7% and 1.1%, respectively.
• Abstract（参考訳）: 医用画像検索(MIR)はコンピュータ支援診断において重要な要素であるが、既存のシステムでは、解剖学的構造の様々な臨床的重要性を考慮できない均一な特徴符号化、粗い分類ラベルに基づくあいまいな類似度測定、細かな領域特異的検索の臨床的要求を満たすことができないグローバルな画像類似度への排他的焦点という3つの永続的な制限が課されている。 HMAR (Hierarchical Modality-Aware Expert and Dynamic Routing) は,Mixture-of-Experts (MoE) アーキテクチャ上に構築された適応型検索フレームワークである。 HMARにはデュアルエキスパート機構がある: Expert0は全体論的類似性マッチングのためにグローバルな特徴を抽出し、Expert1は正確な病変領域検索のために位置不変な局所表現を学習する。 2段階のコントラスト学習戦略は、高価なバウンディングボックスアノテーションの必要性を排除し、スライディングウィンドウマッチングアルゴリズムは推論時に局所的な密接な比較を可能にする。 ハッシュコードは、効率的なハミング距離探索のためにコルモゴロフ・アルノルドネットワーク(KAN)層を介して生成される。 RadioImageNet-CTデータセット(臨床パターン16件、画像29,903件)の実験では、HMARが平均平均精度0.711と0.724を64ビットと128ビットのハッシュコードで達成し、最先端ACIR法をそれぞれ0.7%と1.1%改善した。

関連論文リスト

• A Systematic Benchmark of GAN Architectures for MRI-to-CT Synthesis [38.31064949197421]
  MRIからCTへの変換にはGANアーキテクチャが提案されている。 我々は,3つの解剖学的領域にわたるSynthRAD2025データセットを用いて評価した10のGANのベンチマークを示す。
  論文  参考訳（メタデータ） (2026-03-13T18:54:20Z)
• Standardized Evaluation of Automatic Methods for Perivascular Spaces Segmentation in MRI -- MICCAI 2024 Challenge Results [11.040060608562362]
  本稿では,MICCAI 2024で組織されたEPVS Challengeについて述べる。 マルチサイトデータにまたがるEPVSセグメンテーションのための自動アルゴリズムの開発を促進することを目的としている。 MedNeXtアーキテクチャと2D/3D戦略を併用し, 異なるスライス厚の処理を行った。
  論文  参考訳（メタデータ） (2025-12-20T03:45:14Z)
• J-RAS: Enhancing Medical Image Segmentation via Retrieval-Augmented Joint Training [0.0]
  本稿では,探索モデルとセグメンテーションモデルを統合したガイド画像セグメンテーションのジョイントトレーニング手法を提案する。 どちらのモデルも最適化されており、セグメンテーションモデルは取得した画像とマスクのペアを利用して解剖学的理解を深めることができる。 2つのベンチマークデータセット上で、U-Net、TransUNet、SAM、SegFormerを含む複数のセグメンテーションバックボーンにわたるJ-RASを検証する。
  論文  参考訳（メタデータ） (2025-10-11T01:53:28Z)
• AHDMIL: Asymmetric Hierarchical Distillation Multi-Instance Learning for Fast and Accurate Whole-Slide Image Classification [51.525891360380285]
  AHDMILは非対称な階層的蒸留マルチインスタンス学習フレームワークである。 2段階のトレーニングプロセスを通じて、無関係なパッチを排除します。 分類性能と推論速度の両方において、従来の最先端手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2025-08-07T07:47:16Z)
• RadIR: A Scalable Framework for Multi-Grained Medical Image Retrieval via Radiology Report Mining [64.66825253356869]
  本稿では,複数の粒度で画像の類似度を決定するために,高密度ラジオロジーレポートを利用した新しい手法を提案する。 我々は、胸部X線用MIMIC-IRとCTスキャン用CTRATE-IRの2つの総合的な医用画像検索データセットを構築した。 RadIR-CXR と Model-ChestCT という2つの検索システムを開発し,従来の画像画像検索と画像レポート検索に優れた性能を示す。
  論文  参考訳（メタデータ） (2025-03-06T17:43:03Z)
• Augmentation is AUtO-Net: Augmentation-Driven Contrastive Multiview Learning for Medical Image Segmentation [3.1002416427168304]
  この論文は網膜血管セグメンテーションの課題に焦点を当てている。 深層学習に基づく医用画像セグメンテーションアプローチの広範な文献レビューを提供する。 効率的でシンプルな多視点学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-02T06:31:08Z)
• K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality Assessment [71.27193056354741]
  クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。 本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。 K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
  論文  参考訳（メタデータ） (2023-07-10T01:26:48Z)
• Cross-level Contrastive Learning and Consistency Constraint for Semi-supervised Medical Image Segmentation [46.678279106837294]
  半教師型医用画像セグメンテーションにおける局所特徴の表現能力を高めるためのクロスレベルコンストラシティブ学習手法を提案する。 クロスレベルなコントラスト学習と一貫性制約の助けを借りて、非ラベル付きデータを効果的に探索してセグメンテーション性能を向上させることができる。
  論文  参考訳（メタデータ） (2022-02-08T15:12:11Z)

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。