論文の概要: Momentum-Anchored Multi-Scale Fusion Model for Long-Tailed Chest X-Ray Classification

• arxiv url: http://arxiv.org/abs/2605.02292v1
• Date: Mon, 04 May 2026 07:28:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.178545
• Title: Momentum-Anchored Multi-Scale Fusion Model for Long-Tailed Chest X-Ray Classification
• Title（参考訳）: 長期胸部X線分類のためのモーメントアンコールマルチスケール核融合モデル
• Authors: Duy Hoang Khuong, Duy Nguyen Huu, Ngu Huynh Cong Viet,
• Abstract要約: 胸部X線分類は、多数派に対する偏見を更新する厳密なクラス不均衡勾配に悩まされている。 本稿では,指数移動平均(EMA)を時間的アンカー機構として用いたモーメントアンカー型マルチスケール核融合ネットワークを提案する。 我々のアプローチでは、EfficientNetバックボーンの最終拡張ブロックに選択的モーメント更新を適用し、徐々に進化する参照ブランチを作成します。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Chest X-ray classification suffers from severe class imbalance where gradient updates bias toward majority classes, causing feature drift and poor performance on rare but critical pathologies. We propose a Momentum-Anchored Multi-Scale Fusion Network that uses exponential moving averages (EMA) as a temporal anchoring mechanism to stabilize feature representations under long-tailed distributions. Our approach applies selective momentum updates to the final expansion block of an EfficientNet backbone, creating a slowly-evolving reference branch that resists gradient-induced drift while preserving discriminative patterns for minority classes. Combined with multi-scale spatial fusion ($1\times 1$, $3 \times 3$, $5 \times 5$ convolutions), this anchoring strategy maintains representational stability throughout training. On ChestX-ray14, our method achieves 0.8682 average AUC, outperforming state-of-the-art approaches and showing particular improvements on rare pathologies like Hernia (0.9470) and Pneumonia (0.8165). The results demonstrate that momentum anchoring effectively counters feature instability in long-tailed medical image classification.
• Abstract（参考訳）: 胸部X線分類は重度のクラス不均衡に悩まされており、傾きが多数派に偏りを増す。 本研究では, 時間的アンカー機構として指数移動平均(EMA)を用いて, 長期分布下での特徴表現を安定化するモーメントムアンコール型マルチスケール核融合ネットワークを提案する。 提案手法は効率の良いNetバックボーンの最後の拡張ブロックに選択的モーメント更新を適用し,少数クラスの識別パターンを保ちながら勾配誘起ドリフトに抵抗する緩やかに進化する参照ブランチを作成する。 マルチスケールの空間融合($1\times 1$、$3 \times 3$、$5 \times 5$convolutions)と組み合わせることで、このアンカーング戦略はトレーニング全体を通して表現的安定性を維持している。 ChestX-ray14では平均AUCが0.8682、最先端のアプローチが優れ、Hernia (0.9470) や Pneumonia (0.8165) などの稀な病態に特に改善が見られた。 その結果, 運動量アンカーは, 長期にわたる医用画像分類における特徴不安定性を効果的に抑制することが示された。

関連論文リスト

• Improving Imbalanced Multi-Label Chest X-Ray Diagnosis via CBAM-Enhanced CNN Backbones [0.0]
  本稿では,従来のCNNブロックにCBAM(Convolutional Block Attention Module)を組み込んで,マルチラベル分類タスクの性能向上を図る戦略を提案する。 提案手法は,ChestXray14データセットの平均AUCが0.8695であり,最先端のベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2026-05-04T08:28:03Z)
• CRISP: Rank-Guided Iterative Squeezing for Robust Medical Image Segmentation under Domain Shift [7.9644155369405665]
  正のボクセルに対する予測確率の相対的なランクは、分布シフトの下で安定であることを示す「正の領域のランク安定性」を導入する。 次に、反復的なトレーニングフレームワークを設計し、HPとHRを段階的に最終セグメンテーションに絞る'。 CRISPは確率ではなくランクに基づいてセグメンテーションを行う最初のフレームワークである。
  論文  参考訳（メタデータ） (2026-04-07T04:05:36Z)
• A Heterogeneous Ensemble for Multi-Center COVID-19 Classification from Chest CT Scans [0.39998518782208775]
  3つの推論パラダイムにまたがる9つのモデルの異種アンサンブルを示す。 アンサンブルは4つの病院センターで平均0.9280のマクロF1を達成し、最高のシングルモデルを上回っている。
  論文  参考訳（メタデータ） (2026-03-15T21:34:59Z)
• X-ray Insights Unleashed: Pioneering the Enhancement of Multi-Label Long-Tail Data [86.52299247918637]
  胸部X線撮影における長期肺腫瘍の診断は困難であった。 尾部病変の表現力を高める拡散法は近年進歩しているが, 稀な病変例では, それらの発生能が低下している。 そこで本研究では,従来のX線を併用して尾部病変を増大させる新しいデータ合成パイプラインを提案する。
  論文  参考訳（メタデータ） (2025-12-24T06:14:55Z)
• DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
  脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。 マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。 本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
  論文  参考訳（メタデータ） (2025-10-16T07:31:21Z)
• From Detection to Mitigation: Addressing Bias in Deep Learning Models for Chest X-Ray Diagnosis [3.9236980712240217]
  胸部X線で診断を行う際に,性別,年齢,人種による格差を対象とする包括的バイアス検出・緩和フレームワークを提案する。 我々は,CNNの最終層をeXtreme Gradient Boosting分類器に置き換えることで,全体の予測性能を維持したり改善したりしながら,サブグループの公平性を向上させることを示す。 さらに,この軽量なアダプタトレーニング手法と,対角訓練,再重み付け,データ強化,アクティブラーニングなどの従来のフルモデル学習バイアス軽減手法を比較し,本手法が計算コストのごく一部で競争力あるいは優れたバイアス低減を提供することを示した。
  論文  参考訳（メタデータ） (2025-10-12T22:20:08Z)
• A bag of tricks for real-time Mitotic Figure detection [0.0]
  我々は,RTMDet単段物体検出装置の効率的な構築を行い,臨床展開に適した高推論速度を実現する。 偽陽性を減少させるために, ターゲット型, 硬い負のマイニングを壊死組織, 破片組織に適用した。 Mitosis DOmain Generalization (MIDOG) 2025の予備試験セットでは, RTMDet-Sをベースとした一段法が0.81に到達した。
  論文  参考訳（メタデータ） (2025-08-27T11:45:44Z)
• UniSegDiff: Boosting Unified Lesion Segmentation via a Staged Diffusion Model [53.34835793648352]
  病変分割のための新しい拡散モデルフレームワークUniSegDiffを提案する。 UniSegDiffは、複数のモダリティと臓器にまたがる統一された方法で病変のセグメンテーションに対処する。 総合的な実験結果から、UniSegDiffは従来のSOTA(State-of-the-art)アプローチよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2025-07-24T12:33:10Z)
• Semantic Latent Space Regression of Diffusion Autoencoders for Vertebral Fracture Grading [72.45699658852304]
  本稿では,教師なし特徴抽出器として生成拡散オートエンコーダモデルを訓練するための新しい手法を提案する。 フラクチャーグレーディングを連続回帰としてモデル化し, フラクチャーのスムーズな進行を反映した。 重要なことに,本手法の創成特性は,与えられた脊椎の様々な段階を可視化し,自動グルーピングに寄与する特徴を解釈し,洞察することを可能にする。
  論文  参考訳（メタデータ） (2023-03-21T17:16:01Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)

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。