論文の概要: AC-MIL: Weakly Supervised Atrial LGE-MRI Quality Assessment via Adversarial Concept Disentanglement

• arxiv url: http://arxiv.org/abs/2604.10303v1
• Date: Sat, 11 Apr 2026 18:01:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:15.94635
• Title: AC-MIL: Weakly Supervised Atrial LGE-MRI Quality Assessment via Adversarial Concept Disentanglement
• Title（参考訳）: AC-MIL:敵対的概念の絡み合いによる心房中LGE-MRIの品質評価
• Authors: K M Arefeen Sultan, Kaysen Hansen, Benjamin Orkild, Alan Morris, Eugene Kholmovski, Erik Bieging, Eugene Kwan, Ravi Ranjan, Ed DiBella, Shireen Elhabian,
• Abstract要約: Adversarial Concept-MILは、地球規模の画像品質を臨床的に定義された放射線学的概念に分解する弱い教師付きフレームワークである。 当社のフレームワークは,高度に競争力のある順序付け性能を維持しながら,この深い臨床透明性を実現する。
• 参考スコア（独自算出の注目度）: 0.06553834611557041
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-quality Late Gadolinium Enhancement (LGE) MRI can be helpful for atrial fibrillation management, yet scan quality is frequently compromised by patient motion, irregular breathing, and suboptimal image acquisition timing. While Multiple Instance Learning (MIL) has emerged as a powerful tool for automated quality assessment under weak supervision, current state-of-the-art methods map localized visual evidence to a single, opaque global feature vector. This black box approach fails to provide actionable feedback on specific failure modes, obscuring whether a scan degrades due to motion blur, inadequate contrast, or a lack of anatomical context. In this paper, we propose Adversarial Concept-MIL (AC-MIL), a weakly supervised framework that decomposes global image quality into clinically defined radiological concepts using only volume-level supervision. To capture latent quality variations without entangling predefined concepts, our framework incorporates an unsupervised residual branch guided by an adversarial erasure mechanism to strictly prevent information leakage. Furthermore, we introduce a spatial diversity constraint that penalizes overlap between distinct concept attention maps, ensuring localized and interpretable feature extraction. Extensive experiments on a clinical dataset of atrial LGE-MRI volumes demonstrate that AC-MIL successfully opens the MIL black box, providing highly localized spatial concept maps that allow clinicians to pinpoint the specific causes of non-diagnostic scans. Crucially, our framework achieves this deep clinical transparency while maintaining highly competitive ordinal grading performance against existing baselines. Code to be released on acceptance.
• Abstract（参考訳）: LGEMRIは心房細動管理に有用であるが, 患者の運動や不規則呼吸, 至適画像取得のタイミングによって, スキャン品質が損なわれやすい。 MIL(Multiple Instance Learning)は、弱い監督の下で自動品質評価のための強力なツールとして登場したが、現在の最先端の手法は、ローカライズされた視覚的エビデンスを、単一の不透明なグローバルな特徴ベクトルにマッピングしている。 このブラックボックスアプローチでは、特定の障害モードに対して実行可能なフィードバックが得られず、動作の曖昧さやコントラストの不十分、あるいは解剖学的コンテキストの欠如によってスキャンが劣化するかどうかを判断する。 本稿では,大域的な画像品質を定量的に定義した放射線学的概念に分解する弱教師付きフレームワークであるAdversarial Concept-MIL(AC-MIL)を提案する。 事前定義された概念を絡ませることなく、潜伏品質の変動を捉えるため、我々のフレームワークは、情報漏洩を厳格に防止するために、敵の消去機構によって導かれる教師なし残差分枝を組み込んだ。 さらに,空間的多様性の制約を導入し,異なる概念の注意マップ間の重複を解消し,局所的特徴抽出と解釈可能な特徴抽出を確実にする。 AC-MILはMILブラックボックスのオープンに成功し、高度に局所化された空間概念マップを提供することで、臨床医が非診断的スキャンの特定の原因を特定できるようにする。 重要なことは、我々のフレームワークは、既存のベースラインに対して高い競争力を持つ順序付け性能を維持しながら、この深い臨床透過性を達成します。 コードは受理時にリリースされる。

関連論文リスト

• Neural Uncertainty Principle: A Unified View of Adversarial Fragility and LLM Hallucination [60.197429875410286]
  大規模言語モデルにおける視覚と幻覚の対立的脆弱性は、伝統的に別の問題と見なされている。 損失誘起状態下でのニューラル不確実性原理(NUP)の定式化により, ほぼバウンド状態においては, さらなる圧縮は感度分散の増大を伴うことが判明した。 視覚では、高度に結合したコンポーネントをマスキングすることで、コストのかかる敵の訓練なしに堅牢性を向上させる。 言語では、任意の応答トークンを生成する前に、同じプレフィルステージプローブが幻覚リスクを検出する。
  論文  参考訳（メタデータ） (2026-03-20T02:07:10Z)
• Anatomy of a Lie: A Multi-Stage Diagnostic Framework for Tracing Hallucinations in Vision-Language Models [62.932580559941414]
  VLM(Vision-Language Models)は、しばしば「ハロシン化(hallucinate)」する。 本稿では,静的な出力誤差からモデル計算認知の動的病理へ再キャストし,幻覚を診断するための新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2026-03-16T17:20:38Z)
• Robust Multi-Disease Retinal Classification via Xception-Based Transfer Learning and W-Net Vessel Segmentation [0.0]
  本稿では,眼疾患の自動診断のためのディープラーニングアーキテクチャに関する総合的研究について述べる。 深い特徴抽出と解釈可能な画像処理モジュールを組み合わせたパイプラインを実装した。 臨床形態学的特徴のモデル予測を基礎として,アルゴリズム出力と専門的医学的検証のギャップを埋めることを目的としている。
  論文  参考訳（メタデータ） (2025-12-11T13:03:03Z)
• VesselRW: Weakly Supervised Subcutaneous Vessel Segmentation via Learned Random Walk Propagation [0.0]
  皮下血管の分節化に特化して設計された弱教師付きトレーニングフレームワークを提案する。 この方法は、センターライントレース、ドットマーカー、短いスクリブルといった、低コストでスパースなアノテーションを使用して学習プロセスをガイドする。 臨床皮下画像データセットを用いた実験により,本手法はナイーブなスパースラベルトレーニングと従来の擬似ラベル法の両方より一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-08-09T04:34:54Z)
• Analyzing the Effect of $k$-Space Features in MRI Classification Models [0.0]
  医用イメージングに適した説明可能なAI手法を開発した。 我々は、画像領域と周波数領域の両方にわたるMRIスキャンを分析する畳み込みニューラルネットワーク(CNN)を採用している。 このアプローチは、初期のトレーニング効率を高めるだけでなく、追加機能がモデル予測にどのように影響するかの理解を深めます。
  論文  参考訳（メタデータ） (2024-09-20T15:43:26Z)
• HAMIL-QA: Hierarchical Approach to Multiple Instance Learning for Atrial LGE MRI Quality Assessment [0.21065896965719066]
  本研究では,これらの障害を克服するためのマルチインスタンス学習(MIL)フレームワークであるHAMIL-QAを紹介する。 Hamil-QAは階層的なバッグとサブバッグ構造を採用しており、サブバッグ内のターゲット分析を可能にし、ボリュームレベルで洞察を集約する。 実験の結果,HAMIL-QAは既存のMIL法や従来の教師付きアプローチ,AUROC,F1-Scoreを超越していることがわかった。
  論文  参考訳（メタデータ） (2024-07-09T22:19:21Z)
• Toward Robust Diagnosis: A Contour Attention Preserving Adversarial Defense for COVID-19 Detection [10.953610196636784]
  本稿では,肺腔エッジ抽出に基づく Contour Attention Preserving (CAP) 法を提案する。 実験結果から, 本手法は, 複数の対角防御および一般化タスクにおいて, 最先端の性能を実現することが示唆された。
  論文  参考訳（メタデータ） (2022-11-30T08:01:23Z)
• Boundary Guided Semantic Learning for Real-time COVID-19 Lung Infection Segmentation System [69.40329819373954]
  新型コロナウイルス(COVID-19)は、世界中の医療システムに悪影響を及ぼし続けている。 現段階では、新型コロナウイルスの診断と治療には、CT画像から肺感染症領域を自動的に分離することが不可欠である。 本稿では,境界案内型セマンティックラーニングネットワーク(BSNet)を提案する。
  論文  参考訳（メタデータ） (2022-09-07T05:01:38Z)
• Towards Unbiased COVID-19 Lesion Localisation and Segmentation via Weakly Supervised Learning [66.36706284671291]
  本研究では,画像レベルラベルのみに監視されたデータ駆動型フレームワークを提案する。 このフレームワークは、生成する対向ネットワークと病変特異的デコーダの助けを借りて、原画像から潜在的な病変を明示的に分離することができる。
  論文  参考訳（メタデータ） (2021-03-01T06:05:49Z)

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。