論文の概要: CXR-LT 2026 Challenge: Projection-Aware Multi-Label and Zero-Shot Chest X-Ray Classification

• arxiv url: http://arxiv.org/abs/2604.02185v1
• Date: Thu, 02 Apr 2026 15:46:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:10.896122
• Title: CXR-LT 2026 Challenge: Projection-Aware Multi-Label and Zero-Shot Chest X-Ray Classification
• Title（参考訳）: CXR-LT 2026チャレンジ:投影型マルチラベルとゼロショット胸部X線分類
• Authors: Juno Cho, Dohui Kim, Mingeon Kim, Hyunseo Jang, Chang Sun Lee, Jong Chul Ye,
• Abstract要約: この課題は、既知の胸部X線病変に対するマルチラベル分類と、見えない病変に対するゼロショット分類に対処する。 多様なCXRプロジェクションを扱うために、分類ネットワークを介してプロジェクション固有のモデルを統一されたフレームワークに統合する。 ゼロショット分類(Task 2)では、コントラスト学習、非対称ロス(ASL)、記述的プロンプトを組み合わせた新しいデュアルブランチアーキテクチャでCheXzeroを拡張する。
• 参考スコア（独自算出の注目度）: 36.94429692322632
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This challenge tackles multi-label classification for known chest X-ray (CXR) lesions and zero-shot classification for unseen ones. To handle diverse CXR projections, we integrate projection-specific models via a classification network into a unified framework. For zero-shot classification (Task 2), we extend CheXzero with a novel dual-branch architecture that combines contrastive learning, Asymmetric Loss (ASL), and LLM-generated descriptive prompts. This effectively mitigates severe long-tail imbalances and maximizes zero-shot generalization. Additionally, strong data and test-time augmentations (TTA) ensure robustness across both tasks.
• Abstract（参考訳）: この課題は、既知の胸部X線病変(CXR)のマルチラベル分類と、見えない病変のゼロショット分類に対処することである。 多様なCXRプロジェクションを扱うために、分類ネットワークを介してプロジェクション固有のモデルを統一されたフレームワークに統合する。 ゼロショット分類(Task 2)では、コントラスト学習、非対称損失(ASL)、LLM生成記述プロンプトを組み合わせた新しいデュアルブランチアーキテクチャでCheXzeroを拡張する。 これにより、非常に長い尾の不均衡を軽減し、ゼロショットの一般化を最大化する。 さらに、強いデータとテスト時間拡張(TTA)は、両方のタスクで堅牢性を保証する。

関連論文リスト

• Overview of the CXR-LT 2026 Challenge: Multi-Center Long-Tailed and Zero Shot Chest X-ray Classification [14.263392973355666]
  我々は,CXR-LT 2026チャレンジを提示する。 このベンチマークの第3回では、PadChestとNIH Chest X線データセットから145,000以上のイメージで構成されるマルチセンターデータセットが導入されている。 課題は,(1)既知の30のクラスに対するロバストなマルチラベル分類,(2)未発見の6つのレアな病気クラスへのオープンワールド一般化,の2つの中核課題を定義する。 トップパフォーマンスチームの結果を報告し、平均的平均精度(mAP)、AUROC、F1スコアで評価する。
  論文  参考訳（メタデータ） (2026-02-25T16:39:21Z)
• Handling Supervision Scarcity in Chest X-ray Classification: Long-Tailed and Zero-Shot Learning [14.888577410967129]
  CXR-LT 2026は、36クラスのラベル空間を持つPadChestベースのベンチマークの問題に対処し、トレーニング用のインディストリビューションクラス30とゼロショット評価のためのアウト・オブ・ディストリビューションクラス6に分割した。 我々は、個別の監督体制に合わせたタスク固有のソリューションを提案する。 タスク1(長い尾の多ラベル分類)では、頻繁な結果に対して安定した性能を維持しつつ、テールクラスの認識を改善するために、バランスの取れない多ラベル学習戦略を採用する。 タスク2(ゼロショットOOD認識)では,教師付きラベルを使わずに未知の疾患カテゴリのスコアを生成する予測手法を提案する。
  論文  参考訳（メタデータ） (2026-02-13T20:07:34Z)
• BOFA: Bridge-Layer Orthogonal Low-Rank Fusion for CLIP-Based Class-Incremental Learning [84.56022893225422]
  CIL(Class-Incremental Learning)は,従来の知識を忘れずに,新たなカテゴリを継続的に学習することを目的としている。 CLIP から CIL への視覚言語モデルの適用には,次の2つの大きな課題がある。(1) 下流タスクへの適応には,新たな学習可能なモジュールを必要とする場合が多いこと,2) モデル複雑性の増大と忘れやすいこと,2) マルチモーダル表現は相補的な長所を提供する一方で,既存の手法では,視覚的およびテキスト的モダリティを効果的に統合する可能性を完全には実現できていない。
  論文  参考訳（メタデータ） (2025-11-14T15:51:40Z)
• CXR-LT 2024: A MICCAI challenge on long-tailed, multi-label, and zero-shot disease classification from chest X-ray [64.2434525370243]
  CXR-LTシリーズは、胸部X線を用いた肺疾患の分類を強化するために設計されたコミュニティ主導のイニシアチブである。 CXR-LT 2024はデータセットを377,110の胸部X線(CXR)と45の疾患ラベルに拡張し、19の新しい稀な疾患の発見を含んでいる。 本稿では、CXR-LT 2024の概要を述べるとともに、データキュレーションプロセスの詳細と最先端ソリューションの統合について述べる。
  論文  参考訳（メタデータ） (2025-06-09T17:53:31Z)
• Clinically-Inspired Hierarchical Multi-Label Classification of Chest X-rays with a Penalty-Based Loss Function [1.264536505250038]
  本稿では,臨床診断性を高めるマルチラベル胸部X線(CXR)画像分類法を提案する。 臨床的に有意な診断関係を捉えるため,階層的なラベル分類を取り入れた。 実験では,受信機動作特性曲線(AUROC)の0.903の平均値を得た。
  論文  参考訳（メタデータ） (2025-02-05T20:15:06Z)
• Dual-Encoders for Extreme Multi-Label Classification [19.312120188406514]
  本稿では,Dual-Encoder (DE) モデルが,極端なマルチラベル分類 (XMC) ベンチマークにおいて著しく不足していることを示す。 本稿では,既存のコントラスト損失の限界を克服するInfoNCE損失の簡易な修正を提案する。 提案した損失関数をトレーニングすると、標準のDEモデルだけで、Precision@1.1で最大2%のSOTAメソッドにマッチまたは性能が向上する。
  論文  参考訳（メタデータ） (2023-10-16T17:55:43Z)
• Bag of Tricks for Long-Tailed Multi-Label Classification on Chest X-Rays [40.11576642444264]
  本報告では,ICCV CVAMD 2023 CXR-LT コンペティションにおけるソリューションの概要について述べる。 我々は,CXR診断の有効性を,いくつかの先進的な設計を統合することで実証的に検討した。 私たちのフレームワークは最終的に、競争テストセットで0.349 mAPを獲得し、トップ5にランクインしました。
  論文  参考訳（メタデータ） (2023-08-17T08:25:55Z)
• Robust-by-Design Classification via Unitary-Gradient Neural Networks [66.17379946402859]
  安全クリティカルシステムにおけるニューラルネットワークの使用には、敵攻撃が存在するため、安全で堅牢なモデルが必要である。 任意の入力 x の最小逆摂動を知るか、または同値に、分類境界から x の距離は、分類ロバスト性を評価し、証明可能な予測を与える。 Unitary-Gradient Neural Networkと呼ばれる新しいネットワークアーキテクチャが紹介される。 実験結果から,提案アーキテクチャは符号付き距離を近似し,単一の推論コストでxのオンライン分類が可能であることがわかった。
  論文  参考訳（メタデータ） (2022-09-09T13:34:51Z)
• SCRIB: Set-classifier with Class-specific Risk Bounds for Blackbox Models [48.374678491735665]
  クラス固有RIsk境界(SCRIB)を用いたSet-classifierを導入し,この問題に対処する。 SCRIBは、クラス固有の予測リスクを理論的保証で制御するセット分類器を構築する。 脳波(EEG)データによる睡眠ステージング,X線COVID画像分類,心電図(ECG)データに基づく心房細動検出など,いくつかの医学的応用についてSCRIBを検証した。
  論文  参考訳（メタデータ） (2021-03-05T21:06:12Z)
• Deep Mining External Imperfect Data for Chest X-ray Disease Screening [57.40329813850719]
  我々は、外部のCXRデータセットを組み込むことで、不完全なトレーニングデータにつながると論じ、課題を提起する。 本研究は,多ラベル病分類問題を重み付き独立二分課題として分類する。 我々のフレームワークは、ドメインとラベルの相違を同時にモデル化し、対処し、優れた知識マイニング能力を実現する。
  論文  参考訳（メタデータ） (2020-06-06T06:48:40Z)

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。