論文の概要: Flow Matching with Optimized Subclass Priors for Medical Image Augmentation

• arxiv url: http://arxiv.org/abs/2605.16469v1
• Date: Fri, 15 May 2026 12:05:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:46.499765
• Title: Flow Matching with Optimized Subclass Priors for Medical Image Augmentation
• Title（参考訳）: 医用画像拡張のための最適化サブクラス前駆体とのフローマッチング
• Authors: Felix Nützel, Mischa Dombrowski, Bernhard Kainz,
• Abstract要約: 本稿では,2段階の事前情報を提供するオフライン戦略を提案する。 それぞれの粗いラベルをガウス混合モデリングによりコヒーレントなサブモーメントに分割する。 サブモードごとの開始分布を再集中し、再スケールするサブクラス条件のソース分布を学習する。
• 参考スコア（独自算出の注目度）: 10.504309161945065
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Rare diseases dominate the diagnostic challenge in medical imaging yet are severely underrepresented in clinical datasets, causing classifiers to fail on exactly the conditions where reliable detection matters most. Generative augmentation can supply the missing tail-class coverage, but coarse disease labels aggregate diverse subtypes and acquisition settings into multi-modal conditionals that bias generators toward dominant submodes, while a shared Gaussian source forces rare subpopulations through disproportionately long transport paths. We propose an offline strategy that introduces informative priors at two levels: first, we partition each coarse label into coherent submodes via Gaussian mixture modeling in the generative model's latent space; second, we learn subclass-conditioned source distributions that re-center and re-scale the starting distribution per submode, shortening trajectories and reducing within-subclass dispersion. To prevent degenerate solutions we impose explicit geometric control, moderately concentrating normalized displacement directions around learnable prototypes while capping path-length outliers. On long-tailed chest X-ray (MIMIC-LT, NIH-LT) and CT slice (CT-RATE) benchmarks the proposed method consistently improves tail-class generation fidelity and diversity (FID, IRS) and is a promising augmentation strategy that reliably improves downstream balanced accuracy and macro-F1 over a non-augmented baseline across modalities.
• Abstract（参考訳）: 医学的画像診断において、希少な疾患が診断の課題を担っているが、臨床データセットでは非常に不足しており、信頼性の高い検出が最も重要となる状況において、分類器が失敗する原因となっている。 しかし、粗い疾患ラベルは様々なサブタイプと取得条件を集約し、優越的なサブモーダルに偏り、共有されたガウス源は不均等に長い輸送経路を通じて稀なサブモーダルを強制する。 まず、各粗いラベルを、生成モデルの潜在空間におけるガウス混合モデルを介してコヒーレントなサブモーメントに分割し、サブモーデごとの開始分布を再集中・再スケールするサブクラス条件のソース分布を学習し、トラジェクトリを短縮し、サブクラス内分散を低減する。 縮退する解を避けるために, 経路長のアウトリーチをカプセル化しながら, 学習可能なプロトタイプの周囲の正規化変位方向を適度に集中させ, 幾何的制御を強制する。 長尺胸部X線 (MIMIC-LT, NIH-LT) とCTスライス (CT-RATE) のベンチマークでは, 提案手法は連続的にテールクラスの世代忠実度と多様性(FID, IRS)を向上し, 下流バランスの正確さとマクロF1を, 非拡張ベースライン上で確実に向上させる有望な拡張戦略である。

関連論文リスト

• The Mean is the Mirage: Entropy-Adaptive Model Merging under Heterogeneous Domain Shifts in Medical Imaging [3.597779662054083]
  予期せぬテスト時間分散シフトの下でのモデルのマージは、平均的な信頼性の低下など、単純な戦略を反映することが多い。 本稿では,前方パスのみを介してバッチ固有のマージモデルを生成するエントロピー適応型完全オンラインモデルマージ手法を提案する。 本研究では,9つの医学領域および自然領域の一般化画像分類データセットにまたがる2つのバックボーンを用いて,最先端のベースラインを用いた手法を広範に評価した。
  論文  参考訳（メタデータ） (2026-02-24T21:06:19Z)
• scDFM: Distributional Flow Matching Model for Robust Single-Cell Perturbation Prediction [12.48933770510505]
  条件付きフローマッチングに基づく生成フレームワークである scDFM を提案する。 scDFMは、細胞レベルでの通信以上の個体群を混乱させ、制御する。
  論文  参考訳（メタデータ） (2026-02-06T17:00:21Z)
• GRASP: Guided Residual Adapters with Sample-wise Partitioning [10.504309161945065]
  GRASP: サンプル分割によるガイド型残留アダプタを提案する。 長尾MIMIC-CXR-LTデータセットでは、GRASPは特に稀なクラスにおいて優れたFIDと多様性のメトリクスを得る。
  論文  参考訳（メタデータ） (2025-12-01T13:43:17Z)
• Generate Aligned Anomaly: Region-Guided Few-Shot Anomaly Image-Mask Pair Synthesis for Industrial Inspection [53.137651284042434]
  異常検査は製造業において重要な役割を担っているが、異常サンプルの不足は既存の方法の有効性を制限している。 本稿では,GAA (Generate grained Anomaly) を提案する。 GAAは少数のサンプルのみを用いて現実的で多様で意味的に整合した異常を発生させる。
  論文  参考訳（メタデータ） (2025-07-13T12:56:59Z)
• OTSurv: A Novel Multiple Instance Learning Framework for Survival Prediction with Heterogeneity-aware Optimal Transport [58.5751036808652]
  全スライド画像(WSI)を用いた生存予測は、多重インスタンス学習(MIL)問題として定式化することができる。 我々は、最適な輸送の観点から、新しいMILフレームワークであるOTSurvを提案する。 我々は6つの人気のあるベンチマークで新しい結果を設定し、平均的なCインデックスで絶対3.6%の改善を達成した。
  論文  参考訳（メタデータ） (2025-06-25T18:09:42Z)
• Model Inversion Attacks Through Target-Specific Conditional Diffusion Models [54.69008212790426]
  モデル反転攻撃(MIA)は、ターゲット分類器のトレーニングセットからプライベートイメージを再構築することを目的としており、それによってAIアプリケーションにおけるプライバシー上の懸念が高まる。 従来のGANベースのMIAは、GANの固有の欠陥と潜伏空間における最適化の偏りにより、劣った遺伝子的忠実度に悩まされる傾向にある。 これらの問題を緩和するために拡散モデル反転(Diff-MI)攻撃を提案する。
  論文  参考訳（メタデータ） (2024-07-16T06:38:49Z)
• Hierarchical Gaussian Mixture Normalizing Flow Modeling for Unified Anomaly Detection [12.065053799927506]
  本稿では,一貫した異常検出を実現するための新しい階層型ガウス混合流れモデリング法を提案する。 我々のHGADは,クラス間ガウス混合モデリングとクラス内混合クラスセンター学習の2つの重要な構成要素から構成されている。 提案手法を4つの実世界のADベンチマークで評価し,従来のNFベースのAD手法を大幅に改善し,SOTA統合AD手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-03-20T07:21:37Z)
• Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
  本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。 機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。 提案手法は,画像分類における既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2022-12-02T07:31:39Z)

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。