Fugu-MT 論文翻訳(概要): HamVision: Hamiltonian Dynamics as Inductive Bias for Medical Image Analysis

論文の概要: HamVision: Hamiltonian Dynamics as Inductive Bias for Medical Image Analysis

arxiv url: http://arxiv.org/abs/2603.21377v1
Date: Sun, 22 Mar 2026 19:28:37 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-24 19:11:39.388338
Title: HamVision: Hamiltonian Dynamics as Inductive Bias for Medical Image Analysis
Title（参考訳）: HamVision:医療画像解析のための誘導バイアスとしてのハミルトンダイナミクス
Authors: Mohamed A Mabrok,
Abstract要約: HamVisionは、減衰調和振動子を用いた医用画像解析のフレームワークである。分割作業と分類作業の両方に対する構造的帰納バイアスとして提示する。 2018年(89.38%)、ISIC, 2017年(88.40%)、TN3K年(87.05%)、ACDC年(92.40%) HamClsはBloodMNIST(98.85%)とPathMNIST(96.65%)の最先端精度を達成する
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present HamVision, a framework for medical image analysis that uses the damped harmonic oscillator, a fundamental building block of signal processing, as a structured inductive bias for both segmentation and classification tasks. The oscillator's phase-space decomposition yields three functionally distinct representations: position~$q$ (feature content), momentum~$p$ (spatial gradients that encode boundary and texture information), and energy $H = \tfrac{1}{2}|z|^2$ (a parameter-free saliency map). These representations emerge from the dynamics, not from supervision, and can be exploited by different task-specific heads without any modification to the oscillator itself. For segmentation, energy gates the skip connections while momentum injects boundary information at every decoder level (HamSeg). For classification, the three representations are globally pooled and concatenated into a phase-space feature vector (HamCls). We evaluate HamVision across ten medical imaging benchmarks spanning five imaging modalities. On segmentation, HamSeg achieves state-of-the-art Dice scores on ISIC\,2018 (89.38\%), ISIC\,2017 (88.40\%), TN3K (87.05\%), and ACDC (92.40\%), outperforming most baselines with only 8.57M parameters. On classification, HamCls achieves state-of-the-art accuracy on BloodMNIST (98.85\%) and PathMNIST (96.65\%), and competitive results on the remaining MedMNIST datasets against MedMamba and MedViT. Diagnostic analysis confirms that the oscillator's momentum consistently encodes an interior$\,{>}\,$boundary$\,{>}\,$exterior gradient for segmentation and that the energy map correlates with discriminative regions for classification, properties that emerge entirely from the Hamiltonian dynamics. Code is available at https://github.com/Minds-R-Lab/hamvision.
Abstract（参考訳）: 本稿では,信号処理の基本ブロックであるダンプド・ハーモニック・発振器を用いた医用画像解析のためのフレームワークであるHamVisionについて,セグメンテーションと分類の両方における構造的帰納バイアスとして紹介する。振動子の位相空間分解は、位置~q$(機能内容)、運動量~p$(境界情報とテクスチャ情報をエンコードする空間勾配)、エネルギー$H = \tfrac{1}{2}|z|^2$(パラメータフリーサリエンシ写像)の3つの機能的に異なる表現をもたらす。これらの表現は、監督からではなく、ダイナミクスから現れ、振動子自体を変更することなく、異なるタスク固有のヘッドによって利用することができる。セグメンテーションでは、エネルギーはスキップ接続をゲートし、モーメントはデコーダレベルごとに境界情報を注入する(HamSeg)。分類において、3つの表現はグローバルにプールされ、位相空間特徴ベクトル(HamCls)に連結される。 5つの画像モダリティにまたがる10の医用画像ベンチマークにおけるHamVisionの評価を行った。セグメンテーションにおいて、HamSegはISIC\,2018 (89.38\%)、ISIC\,2017 (88.40\%)、TN3K (87.05\%)、ACDC (92.40\%)で最先端のDiceスコアを達成し、8.57Mパラメータでほとんどのベースラインを上回っている。分類では、HamClsはBloodMNIST (98.85\%)とPathMNIST (96.65\%)の最先端の精度を達成し、残りのMedMNISTデータセットとMedMambaとMedViTとの競合結果を得た。診断解析により、発振器の運動量は常に内部$\,{>}\,$boundary$\,{>}\,$exterior gradient for segmentation を符号化し、エネルギー写像は分類のための識別領域と相関し、ハミルトン力学から完全に現れる性質である。コードはhttps://github.com/Minds-R-Lab/hamvision.comから入手できる。

関連論文リスト

LUMINA: A Multi-Vendor Mammography Benchmark with Energy Harmonization Protocol [9.075009508165273]
このデータセットは、病理診断されたラベル、BI-RADSアセスメント、乳腺密度アノテーションを持つ468人の患者の1824枚の画像を含んでいる。 LUMINAは6つの取得システムにまたがっており、高エネルギーと低エネルギーの撮像方式がある。我々は,診断,BI-RADS分類,密度推定の3つの臨床的課題について,CNNとトランスフォーマーモデルをベンチマークした。
論文参考訳（メタデータ） (2026-03-15T22:41:40Z)
TFFM: Topology-Aware Feature Fusion Module via Latent Graph Reasoning for Retinal Vessel Segmentation [3.903438631397551]
血管接続性を維持するために設計されたトポロジ対応フレームワークを紹介する。我々のアーキテクチャは、局所的な特徴表現を潜在グラフ空間にマッピングする、トポロジカル・フィーチャー・フュージョン・モジュール(TFFM)を融合する。学習過程をハイブリッドな目的関数で駆動し,クラス不均衡に対するTverskyの損失とソフトなClDiceの損失とを結合させ,トポロジカルな切断を明示的に罰する。
論文参考訳（メタデータ） (2026-01-27T03:09:10Z)
TokenSeg: Efficient 3D Medical Image Segmentation via Hierarchical Visual Token Compression [30.331894334353038]
TokenSegは、効率的な3D医療ボリュームセグメンテーションのための境界対応スパーストークン表現フレームワークである。 TokenSegは、不均一な解剖学的構造に対して、常に最適な性能を提供する。
論文参考訳（メタデータ） (2026-01-08T02:32:48Z)
S2M-Net: Spectral-Spatial Mixing for Medical Image Segmentation with Morphology-Aware Adaptive Loss [0.0]
医療画像のセグメンテーションには、境界クリティカルな臨床応用のための局所的精度、解剖学的コヒーレンスのためのグローバルコンテキスト、および既存のアーキテクチャが解決できない限られたデータやハードウェア上のデプロイのための計算効率のバランスが必要である。我々は,S2M-Netを提案する。S2M-Netは,S2M-Net,S2M-Net,S2M-Net,S2M-Net,S2M-Net,S2M-Net,S2M-Net,S2M-Net,S2M-Net,Morphology-Aware Adaptive Loss(MAS)の2つの相乗的イノベーションを通じて,グローバルなコンテキストを実現するためのアーキテクチャである。
論文参考訳（メタデータ） (2026-01-03T21:03:54Z)
Unified Review and Benchmark of Deep Segmentation Architectures for Cardiac Ultrasound on CAMUS [39.950953035207384]
心臓超音波セグメンテーションの文献的考察と,3つの重要なアーキテクチャの比較を行った。ベンチマークでは,NIfTIボリューム,16ビットPNGエクスポート,GPT支援多角形擬似ラベル,自己教師付き事前学習など,複数の前処理経路にまたがる。
論文参考訳（メタデータ） (2025-12-27T06:07:57Z)
Prior-AttUNet: Retinal OCT Fluid Segmentation Based on Normal Anatomical Priors and Attention Gating [6.013762133627291]
本研究は, 生成解剖学的先行を付加したセグメンテーションモデルである Pre-AttUNet を紹介する。このフレームワークは、生成前の経路とセグメンテーションネットワークを統合するハイブリッドなデュアルパスアーキテクチャを採用している。このモデルは計算コストが 0.37 TFLOPs で、セグメント精度と推論効率の効果的なバランスを保っている。
論文参考訳（メタデータ） (2025-12-25T14:37:04Z)
CLARAE: Clarity Preserving Reconstruction AutoEncoder for Denoising and Rhythm Classification of Intracardiac Electrograms [37.042025337065816]
CLARAEは1次元エンコーダデコーダである。高忠実度再構成とコンパクトな64次元潜在表現を実現する。
論文参考訳（メタデータ） (2025-09-28T20:39:21Z)
Hyperspectral Mamba for Hyperspectral Object Tracking [56.365517163296936]
Mamba (HyMamba) を用いた新しいハイパースペクトル物体追跡ネットワークを提案する。状態空間モジュール(SSM)によるスペクトル、クロスディープス、時間モデリングを統一する。 HyMambaは、7つのベンチマークデータセットで最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2025-09-10T03:47:43Z)
Histopathology Whole Slide Image Analysis with Heterogeneous Graph Representation Learning [78.49090351193269]
本稿では,WSI分析のために,異なる種類の核間の相互関係を利用する新しいグラフベースのフレームワークを提案する。具体的には、WSI を各ノードに "nucleus-type" 属性と各エッジに類似した意味属性を持つ異種グラフとして定式化する。我々のフレームワークは、様々なタスクに対してかなりのマージンで最先端の手法より優れています。
論文参考訳（メタデータ） (2023-07-09T14:43:40Z)
Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
論文参考訳（メタデータ） (2021-11-25T10:11:41Z)

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。