論文の概要: SparseContrast: Dynamic Sparse Attention for Efficient and Accurate Contrastive Learning in Medical Imaging

• arxiv url: http://arxiv.org/abs/2605.00887v1
• Date: Mon, 27 Apr 2026 10:17:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.449899
• Title: SparseContrast: Dynamic Sparse Attention for Efficient and Accurate Contrastive Learning in Medical Imaging
• Title（参考訳）: スパースコントラスト:医療画像における効率的かつ正確なコントラスト学習のためのダイナミックスパースアテンション
• Authors: Paarth Prasad, Ruchika Malhotra,
• Abstract要約: SparseContrastは、ダイナミックスパース注意と対照的な学習を融合した医療画像のための新しいフレームワークである。 SparseContrastは、現在のアプローチと比較して、より効率的な疾患識別タスクにおいて、同等またはより優れたパフォーマンスが得られることを示す。
• 参考スコア（独自算出の注目度）: 1.9336815376402718
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose SparseContrast, a new framework that merges dynamic sparse attention with contrastive learning for medical imaging, with a focus on chest X-ray disease detection in low-data settings. Traditional contrastive learning methods rely on dense attention mechanisms, which are computationally expensive and often process redundant regions in medical images. To resolve this, SparseContrast introduces a sparse attention mechanism that selectively concentrates on diagnostically pertinent areas, markedly decreasing computational burden without compromising accuracy. The framework adaptively trims attention maps in the training phase, directed by a compact saliency predictor which concurrently optimizes sparsity and feature quality. This method not only speeds up training and inference by as much as 40% relative to dense attention benchmarks but also boosts diagnostic accuracy by focusing on areas of clinical importance. Moreover, the approach remains indifferent to the selection of backbone architecture, which permits its application to both convolutional and transformer-based models. Experiments show SparseContrast attains comparable or better performance in disease identification tasks with greater efficiency relative to current approaches. The proposed framework delivers a practical approach for implementing contrastive learning in medical imaging settings with limited resources, where computational efficiency and diagnostic accuracy are paramount.
• Abstract（参考訳）: SparseContrastは,低データ環境下での胸部X線病変検出に焦点をあて,ダイナミックスパース注意と造影学習を融合した新しいフレームワークである。 従来のコントラスト学習手法は、計算コストが高く、しばしば医療画像の冗長な領域を処理する高密度注意機構に依存している。 これを解決するために、スパースコントラストは、診断に関係する領域に選択的に集中するスパースアテンション機構を導入し、精度を損なうことなく計算負担を著しく低減する。 このフレームワークはトレーニングフェーズにおける注意マップを適応的にトリミングし、空間性と特徴品質を同時に最適化する小型の唾液量予測器によって誘導される。 本手法は,集中度評価基準と比較してトレーニングと推論を最大40%高速化するだけでなく,臨床的に重要な領域に着目して診断精度を向上させる。 さらに、このアプローチはバックボーンアーキテクチャの選択に無関心であり、畳み込みモデルとトランスフォーマーベースのモデルの両方に応用することができる。 実験により、SparseContrastは、現在のアプローチと比較して高い効率で、疾患識別タスクにおいて、同等またはより良いパフォーマンスが得られることが示された。 提案フレームワークは,計算効率と診断精度が最重要となる限られた資源を用いた医用画像設定において,コントラスト学習を実現するための実践的アプローチを提供する。

関連論文リスト

• Attention-Driven Framework for Non-Rigid Medical Image Registration [15.540035635369504]
  非デジタル医用画像登録のための新しい注意駆動フレームワーク(AD-RegNet)を提案する。 提案手法は3次元UNetバックボーンと双方向のクロスアテンションを組み合わせることで,動画像と固定画像との対応関係を複数スケールで確立する。 提案手法は,登録精度と計算効率のバランスを良好に保ち,臨床応用に適している。
  論文  参考訳（メタデータ） (2026-02-06T09:23:37Z)
• MIRNet: Integrating Constrained Graph-Based Reasoning with Pre-training for Diagnostic Medical Imaging [67.74482877175797]
  MIRNetは、自己教師付き事前学習と制約付きグラフベースの推論を統合する新しいフレームワークである。 TongueAtlas-4Kは,22の診断ラベルを付した4,000枚の画像からなるベンチマークである。
  論文  参考訳（メタデータ） (2025-11-13T06:30:41Z)
• UOPSL: Unpaired OCT Predilection Sites Learning for Fundus Image Diagnosis Augmentation [47.08936359575974]
  我々は,OCTから派生した空間的先行情報を用いて,捕食部位を動的に識別する新しい無ペアマルチモーダルフレームワーク UOPSL を提案する。 我々のアプローチは、拡張された病気のテキスト記述を通して、未治療の根本とOCTを橋渡しする。 28の重要カテゴリにわたる9つの多様なデータセットで実施された実験は、我々のフレームワークが既存のベンチマークを上回っていることを示している。
  論文  参考訳（メタデータ） (2025-09-10T14:19:59Z)
• CV-Attention UNet: Attention-based UNet for 3D Cerebrovascular Segmentation of Enhanced TOF-MRA Images [2.2265536092123006]
  脳血管画像の正確な抽出にはCV-AttentionUNetと呼ばれる3次元脳血管注意UNet法を提案する。 低と高のセマンティクスを組み合わせるために,注意機構を適用した。 このアルゴリズムの新規性は、ラベル付きデータとラベルなしデータの両方でうまく機能する能力にあると考えています。
  論文  参考訳（メタデータ） (2023-11-16T22:31:05Z)
• Tumor-Centered Patching for Enhanced Medical Image Segmentation [0.0]
  本研究は、パッチベースの画像解析のための腫瘍自体を中心にした革新的なアプローチを導入する。 腫瘍の解剖学的文脈にパッチを合わせることにより、この技術は特徴抽出の精度を高め、計算負荷を低減する。
  論文  参考訳（メタデータ） (2023-08-23T14:35:03Z)
• Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
  本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。 我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。 多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-15T17:55:05Z)
• 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)
• Real-time landmark detection for precise endoscopic submucosal dissection via shape-aware relation network [51.44506007844284]
  内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。 まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。 次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
  論文  参考訳（メタデータ） (2021-11-08T07:57:30Z)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)

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。