論文の概要: Attention-Based Chaotic Self-Supervision for Medical Image Classification
- arxiv url: http://arxiv.org/abs/2605.04985v1
- Date: Wed, 06 May 2026 14:39:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-07 18:41:07.883656
- Title: Attention-Based Chaotic Self-Supervision for Medical Image Classification
- Title（参考訳）: 医用画像分類のための注意に基づくカオス自己スーパービジョン
- Abstract要約: 本稿では,新たなSSL事前学習戦略であるChaotic Denoising Autoencoderを提案する。
マスクの代わりに、入力画像にカオス変換を適用し、オートエンコーダにオリジナルを再構築するよう指示する。
そこで本研究では,CDAE学習エンコーダと標準エンコーダの機能を組み合わせた注意型融合機構を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning models for medical image classification usually achieve promising results but typically rely on large, annotated datasets or standard transfer learning from ImageNet. Self-Supervised Learning (SSL) has emerged as a powerful alternative, yet common methods like masked autoencoders (MAEs) may inadvertently destroy fine-grained diagnostic features by using random masking. In this paper, we propose a novel SSL pre-training strategy, the Chaotic Denoising Autoencoder (CDAE). Instead of masking, we apply a chaotic transformation to the input image, tasking an autoencoder to reconstruct the original. We hypothesize this forces the encoder to learn robust, domain-specific features by "inverting the chaos". Furthermore, we propose an attentive fusion mechanism that combines features from our CDAE-trained encoder with a standard encoder, leveraging the strengths of both general and domain-specific representations. Our method is evaluated on two public medical datasets: ISIC 2018 (skin lesions) and APTOS 2019 (diabetic retinopathy). The proposed model achieves high performance, with an accuracy of 0.9221 and an F1-macro of 0.8530 on ISIC 2018, and an accuracy of 0.8644 and F1-macro of 0.7433 on APTOS 2019, demonstrating the efficacy of our approach.
- Abstract（参考訳）: 医用画像分類のためのディープラーニングモデルは通常、有望な結果を達成するが、一般的には大規模な注釈付きデータセットやImageNetからの標準転送学習に依存している。
自己監視学習(SSL)は強力な代替手段として登場したが、マスク付きオートエンコーダ(MAE)のような一般的な手法は、ランダムマスキングを用いることで、微妙な診断機能を不注意に破壊する可能性がある。
本稿では,新たなSSL事前学習戦略であるChaotic Denoising Autoencoder(CDAE)を提案する。
マスクの代わりに、入力画像にカオス変換を適用し、オートエンコーダにオリジナルを再構築するよう指示する。
これを仮定すると、エンコーダは“カオスの反転”によって堅牢でドメイン固有の特徴を学習せざるを得なくなります。
さらに,CDAE学習エンコーダの特徴を標準エンコーダと組み合わせ,汎用表現とドメイン固有表現の両方の長所を活かした注意型融合機構を提案する。
本手法はISIC 2018(皮膚病変)とAPTOS 2019(糖尿病網膜症)の2つの公的医療データセットを用いて評価した。
提案モデルでは,ISIC 2018における精度0.9221,ISIC 2018ではF1マクロ0.8530,APTOS 2019では0.8644,F1マクロ0.7433の精度で高い性能を実現し,本手法の有効性を実証した。
関連論文リスト
- Chaos-SSL: An Attention-Based Self-Supervised Learning Framework with Chaotic Transformation for Medical Image Classification [0.0]
自己監視学習(SSL)は、大規模な注釈付きデータセットへの依存を軽減するための強力なパラダイムとして登場した。
本稿では,医療画像分類のための新しい2段階フレームワークであるChaos-SSLを紹介する。
以上の結果から,30時間でテントマップを事前学習したChaos-SSLモデルは,注目融合に続き,最先端技術と完全に競合することを示す。
論文 参考訳（メタデータ） (2026-05-26T15:10:00Z) - Bi-Level Optimization for Self-Supervised AI-Generated Face Detection [56.57881725223548]
両レベル最適化に基づくAI生成顔検出器の自己教師方式を提案する。
我々の検出器は、一級・二級の分類設定において、既存のアプローチよりも大幅に優れています。
論文 参考訳（メタデータ） (2025-07-30T16:38:29Z) - Q-Former Autoencoder: A Modern Framework for Medical Anomaly Detection [12.245379864678291]
本稿では,最新のオートエンコーダベースのフレームワークであるQ-Former Autoencoderを提案する。
凍結した視覚基盤モデルを特徴抽出器として直接利用し、ドメイン固有の微調整なしでリッチで多段階な高レベル表現を可能にする。
本研究は,視覚基盤モデルエンコーダが自然画像に基づいて事前訓練され,医用画像解析タスクに効果的に応用できる可能性を強調した。
論文 参考訳（メタデータ） (2025-07-24T14:55:33Z) - MA^2: A Self-Supervised and Motion Augmenting Autoencoder for Gait-Based Automatic Disease Detection [7.483446634501235]
グラウンド・リアクション・フォース(英語: Ground reaction force、GRF)は、グラウンドが物体に接触して働く力である。
GRFをベースとした自動疾患検出(ADD)が,新たな診断方法となった。
論文 参考訳（メタデータ） (2024-11-05T14:21:01Z) - Masked Autoencoders are Efficient Class Incremental Learners [64.90846899051164]
クラスインクリメンタルラーニング(CIL)は,過去の知識の破滅的な忘れを回避しつつ,新しいクラスを逐次学習することを目的としている。
本稿では,CIL の学習に Masked Autoencoders (MAEs) を用いることを提案する。
論文 参考訳（メタデータ） (2023-08-24T02:49:30Z) - Uncertainty-inspired Open Set Learning for Retinal Anomaly
Identification [71.06194656633447]
9つの網膜条件の基底像をトレーニングし,不確実性に着想を得たオープンセット(UIOS)モデルを構築した。
しきい値戦略を持つUIOSモデルはF1スコア99.55%、97.01%、91.91%を達成した。
UIOSは、高い不確実性スコアを正しく予測し、非ターゲットの網膜疾患、低品質の眼底画像、および非基本画像のデータセットを手動でチェックする必要があることを示唆した。
論文 参考訳（メタデータ） (2023-04-08T10:47:41Z) - Denoising Diffusion Autoencoders are Unified Self-supervised Learners [58.194184241363175]
本稿では,拡散モデルにおけるネットワーク,すなわち拡散オートエンコーダ(DDAE)が,自己教師型学習者の統合であることを示す。
DDAEはすでに、補助エンコーダを使わずに、中間層内で線形分離可能な表現を強く学習している。
CIFAR-10 と Tiny-ImageNet の線形評価精度は95.9% と 50.0% である。
論文 参考訳（メタデータ） (2023-03-17T04:20:47Z) - Denoising Masked AutoEncoders are Certifiable Robust Vision Learners [37.04863068273281]
DMAE(Denoising Masked AutoEncoders)と呼ばれる自己教師型手法を提案する。
DMAEは各ピクセル値にガウスノイズを加え、複数のパッチをランダムにマスキングすることで、各イメージを劣化させる。
その後、Transformerベースのエンコーダデコーダモデルをトレーニングして、オリジナルのイメージを破損したイメージから再構築する。
論文 参考訳（メタデータ） (2022-10-10T12:37:59Z) - Global Contrast Masked Autoencoders Are Powerful Pathological
Representation Learners [11.162001837248166]
本稿では,自己教師付き学習モデルであるGCMAE(Global contrast-masked Autoencoder)を提案する。
GCMAEは3つの異なる疾患特異的ヘマトキシリンとエオシン(HE)染色された病理データセットを用いて、広範囲にわたる実験により、再現性のある表現を学習する能力を示した。
論文 参考訳（メタデータ） (2022-05-18T16:28:56Z) - Adversarial Masking for Self-Supervised Learning [81.25999058340997]
自己教師付き学習のためのマスク付き画像モデル(MIM)フレームワークであるADIOSを提案する。
対向目的物を用いてマスキング機能と画像エンコーダを同時に学習する。
さまざまなタスクやデータセットに対する最先端の自己教師付き学習(SSL)メソッドを一貫して改善する。
論文 参考訳（メタデータ） (2022-01-31T10:23:23Z) - Masked Autoencoders Are Scalable Vision Learners [60.97703494764904]
Masked Autoencoders (MAE) は、コンピュータビジョンのためのスケーラブルな自己教師型学習システムである。
我々は入力画像のランダムなパッチを隠蔽し、欠落したピクセルを再構成する。
これら2つの設計を結合することで,大規模モデルを効率的かつ効率的にトレーニングすることが可能になります。
論文 参考訳（メタデータ） (2021-11-11T18:46:40Z)
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。