Fugu-MT 論文翻訳(概要): HyperCT: Low-Rank Hypernet for Unified Chest CT Analysis

論文の概要: HyperCT: Low-Rank Hypernet for Unified Chest CT Analysis

arxiv url: http://arxiv.org/abs/2604.03224v1
Date: Fri, 03 Apr 2026 17:50:09 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-06 17:20:24.561909
Title: HyperCT: Low-Rank Hypernet for Unified Chest CT Analysis
Title（参考訳）: HyperCT: 統一胸部CT解析のための低ランクハイパーネット
Abstract要約: HyperCTは、Hypernetworkを介してVision Transformerのバックボーンを適応するフレームワークである。 Low-Rank Adaptation (LoRA)では、完全なパラメータではなく、タスク固有の低ランクの重み付けを回帰することができる。
参考スコア（独自算出の注目度）: 19.93199183008551
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Non-contrast chest CTs offer a rich opportunity for both conventional pulmonary and opportunistic extra-pulmonary screening. While Multi-Task Learning (MTL) can unify these diverse tasks, standard hard-parameter sharing approaches are often suboptimal for modeling distinct pathologies. We propose HyperCT, a framework that dynamically adapts a Vision Transformer backbone via a Hypernetwork. To ensure computational efficiency, we integrate Low-Rank Adaptation (LoRA), allowing the model to regress task-specific low-rank weight updates rather than full parameters. Validated on a large-scale dataset of radiological and cardiological tasks, \method{} outperforms various strong baselines, offering a unified, parameter-efficient solution for holistic patient assessment. Our code is available at https://github.com/lfb-1/HyperCT.
Abstract（参考訳）: 非コントラスト胸部CTは, 従来の肺・肺外検診にも有用である。マルチタスク学習(MTL)はこれらの多様なタスクを統一することができるが、標準的なハードパラメータ共有アプローチは、しばしば異なる病理をモデル化するのに最適である。 HyperCTは、Hypernetworkを介してビジョントランスフォーマーのバックボーンを動的に適応するフレームワークである。計算効率を確保するため,Low-Rank Adaptation (LoRA) を統合し,全パラメータではなくタスク固有の低ランクの重み付けを緩和する。放射線学および心臓学のタスクの大規模なデータセットで検証された \method{} は、総合的な患者評価のための統一的でパラメータ効率の良いソリューションを提供し、様々な強力なベースラインを上回ります。私たちのコードはhttps://github.com/lfb-1/HyperCTで公開されています。

関連論文リスト

A Contrastive Variational AutoEncoder for NSCLC Survival Prediction with Missing Modalities [41.8469011437549]
非小細胞肺癌 (NSCLC) 患者の生存予測は, 個々の予後が異なるため困難である。最先端モデルは、患者レベルの表現を作成するために利用可能なデータや、欠落したモダリティを推測するために生成モデルを使用する。本稿では,MCVAE(Multimodal Contrastive Variational AutoEncoder)を提案する。
論文参考訳（メタデータ） (2026-02-19T14:29:34Z)
Lung Infection Severity Prediction Using Transformers with Conditional TransMix Augmentation and Cross-Attention [13.087848666528563]
肺感染症、特に肺炎は、急速にエスカレートする深刻な健康リスクを引き起こす。肺感染症の重症度を評価するため,CTスキャンと胸部X線検査の両方に適用可能な新しい方法を提案する。 i)QCross-Att-PVT、並列エンコーダ、クロスゲートアテンション機構、機能アグリゲータを統合したTransformerベースのアーキテクチャ、および(ii)カスタムデータ拡張戦略であるConditional Online TransMixです。
論文参考訳（メタデータ） (2025-10-08T11:08:34Z)
EqDiff-CT: Equivariant Conditional Diffusion model for CT Image Synthesis from CBCT [43.92108185590778]
画像誘導放射線療法(IGRT)に広く用いられているコーンビームCT(CBCT) CBCTから高品質なCT画像を生成するために,EqDiff-CTという新しい拡散型条件生成モデルを提案する。
論文参考訳（メタデータ） (2025-09-26T05:51:59Z)
impuTMAE: Multi-modal Transformer with Masked Pre-training for Missing Modalities Imputation in Cancer Survival Prediction [75.43342771863837]
我々は,効率的なマルチモーダル事前学習戦略を備えた新しいトランスフォーマーに基づくエンドツーエンドアプローチである impuTMAE を紹介する。マスクされたパッチを再構築することで、モダリティの欠如を同時に示唆しながら、モダリティ間の相互作用とモダリティ内相互作用を学習する。本モデルは,TGA-GBM/LGGとBraTSデータセットを用いたグリオーマ生存予測のために,異種不完全データに基づいて事前訓練を行った。
論文参考訳（メタデータ） (2025-08-08T10:01:16Z)
ALoRE: Efficient Visual Adaptation via Aggregating Low Rank Experts [71.91042186338163]
ALoREは、Kroneckerによって構築された超複素パラメータ化空間をAggregate Low Rank Expertsに再利用する新しいPETL法である。巧妙な設計のおかげで、ALoREは無視できる余分なパラメータを保持し、凍ったバックボーンに強制的にマージできる。
論文参考訳（メタデータ） (2024-12-11T12:31:30Z)
Memory-efficient High-resolution OCT Volume Synthesis with Cascaded Amortized Latent Diffusion Models [48.87160158792048]
本稿では,高分解能CTボリュームをメモリ効率よく合成できるCA-LDM(Cascaded amortized Latent diffusion model)を提案する。公開高解像度OCTデータセットを用いた実験により、我々の合成データは、既存の手法の能力を超越した、現実的な高解像度かつグローバルな特徴を持つことが示された。
論文参考訳（メタデータ） (2024-05-26T10:58:22Z)
PEMMA: Parameter-Efficient Multi-Modal Adaptation for Medical Image Segmentation [5.056996354878645]
CTとPETの両方のスキャンが利用可能であれば、それらをセグメンテーションモデルへの入力の2つのチャネルとして組み合わせることが一般的である。この方法は、トレーニングと推論の両方のスキャンタイプを必要とし、PETスキャンの可用性が制限されているため、課題を提起する。変圧器を用いたセグメンテーションモデルの軽量アップグレードのためのパラメータ効率・マルチモーダル適応フレームワークを提案する。
論文参考訳（メタデータ） (2024-04-21T16:29:49Z)
Vision Transformer-based Model for Severity Quantification of Lung Pneumonia Using Chest X-ray Images [11.12596879975844]
我々は、新型コロナウイルスや他の肺疾患の重症度を定量化するために、少数のトレーニング可能なパラメータに依存するビジョントランスフォーマーベースのニューラルネットワークモデルを提案する。本モデルでは,比較的低い計算コストで高一般化性で重大度を定量化する上で,ピーク性能を提供することができる。
論文参考訳（メタデータ） (2023-03-18T12:38:23Z)
Online Continuous Hyperparameter Optimization for Generalized Linear Contextual Bandits [55.03293214439741]
文脈的包帯では、エージェントは過去の経験に基づいた時間依存アクションセットから順次アクションを行う。そこで本稿では,文脈的包帯のためのオンライン連続型ハイパーパラメータチューニングフレームワークを提案する。理論上はサブ線形の後悔を達成でき、合成データと実データの両方において既存のすべての手法よりも一貫して優れた性能を発揮することを示す。
論文参考訳（メタデータ） (2023-02-18T23:31:20Z)
Spatiotemporal Feature Learning Based on Two-Step LSTM and Transformer for CT Scans [2.3682456328966115]
我々は、新型コロナウイルスの症状分類を徹底的に行うための、新しい、効果的、2段階のアプローチを提案する。まず,従来のバックボーンネットワークにより,CTスキャンにおける各スライスの意味的特徴埋め込みを抽出する。そこで我々は,時間的特徴学習を扱うために,LSTMとTransformerベースのサブネットワークを提案する。
論文参考訳（メタデータ） (2022-07-04T16:59:05Z)
Auto-FedRL: Federated Hyperparameter Optimization for Multi-institutional Medical Image Segmentation [48.821062916381685]
Federated Learning(FL)は、明示的なデータ共有を避けながら協調的なモデルトレーニングを可能にする分散機械学習技術である。本稿では,Auto-FedRLと呼ばれる,効率的な強化学習(RL)に基づくフェデレーションハイパーパラメータ最適化アルゴリズムを提案する。提案手法の有効性は,CIFAR-10データセットと2つの実世界の医用画像セグメンテーションデータセットの不均一なデータ分割に対して検証される。
論文参考訳（メタデータ） (2022-03-12T04:11:42Z)
Hyperparameter Tuning is All You Need for LISTA [92.7008234085887]
Learned Iterative Shrinkage-Thresholding Algorithm (LISTA)は、反復アルゴリズムをアンロールしてニューラルネットワークのようにトレーニングするという概念を導入している。 LISTAネットワークの中間変数に運動量を加えることで、より優れた収束率が得られることを示す。この超軽量ネットワークをHyperLISTAと呼ぶ。
論文参考訳（メタデータ） (2021-10-29T16:35:38Z)
Multi-Slice Net: A novel light weight framework for COVID-19 Diagnosis [38.32234937094937]
本稿では,CTスキャンを用いた軽量な新型コロナウイルス診断フレームワークを提案する。特徴抽出器として強力なバックボーンネットワークを用い,識別的スライスレベルの特徴を抽出する。これらの特徴は、患者レベル診断を得るために、軽量ネットワークによって集約される。
論文参考訳（メタデータ） (2021-08-09T02:46:11Z)

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。