論文の概要: Entropy-Guided Self-Supervised Learning for Medical Image Classification

• arxiv url: http://arxiv.org/abs/2605.21970v1
• Date: Thu, 21 May 2026 04:01:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.085762
• Title: Entropy-Guided Self-Supervised Learning for Medical Image Classification
• Title（参考訳）: 医用画像分類のためのエントロピー誘導自己監督学習
• Authors: Joao Florindo, Viviane Moura,
• Abstract要約: 本稿では,自己教師型学習と伝達学習の強みを活かし,医用画像分類の強化を目的とした相乗的深層学習フレームワークを提案する。 提案手法では,2つの異なるConvNeXt-Tinyモデルを用いている。1つは大規模自然画像データセット(ImageNet)で事前トレーニングされたもので,もう1つはターゲットの医療データセットでエントロピー誘導型Masked Autoencoder(MAE)を用いて事前トレーニングされたものだ。 4つの多様な医用画像データセットに対する厳密な実験的検証は、我々のアンサンブルアプローチの優れた性能と堅牢性を示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate and robust medical image classification is paramount for early disease diagnosis and treatment planning. However, challenges such as limited annotated data, high intra-class variability, and subtle inter-class differences often hinder the performance of deep learning models. This paper introduces a synergistic deep learning framework that leverages the strengths of self-supervised learning and transfer learning for enhanced medical image classification. Our approach employs two distinct ConvNeXt-Tiny models: one pre-trained on a large-scale natural image dataset (ImageNet) and another pre-trained using an entropy-guided Masked Autoencoder (MAE) on the target medical dataset. Both models are then fine-tuned on specific medical image classification tasks. A final ensemble strategy, based on averaging predicted probabilities, is utilized to combine the complementary insights from these two models. Rigorous experimental validation across four diverse medical imaging datasets (Breast Ultrasound Images (BUSI), International Skin Imaging Collaboration (ISIC) 2018, Kvasir, and COVID) demonstrates the superior performance and robustness of our ensemble approach. The MAE pre-training significantly improves feature learning on domain-specific data, while the ImageNet pre-training provides strong generalizable features. The ensemble consistently achieves state-of-the-art results, outperforming individual models and existing methods, highlighting the efficacy of combining diverse pre-training strategies for challenging medical image analysis.
• Abstract（参考訳）: 早期疾患の診断と治療計画において,正確な医用画像分類が最重要である。 しかし、限られた注釈付きデータ、高いクラス内変動性、微妙なクラス間差といった課題は、ディープラーニングモデルの性能を損なうことが多い。 本稿では,自己教師型学習と伝達学習の強みを活かし,医用画像分類の強化を目的とした相乗的ディープラーニングフレームワークを提案する。 提案手法では,2つの異なるConvNeXt-Tinyモデルを用いている。1つは大規模自然画像データセット(ImageNet)で事前トレーニングされたもので,もう1つはターゲットの医療データセットでエントロピー誘導型Masked Autoencoder(MAE)を用いて事前トレーニングされたものだ。 どちらのモデルも、特定の医療画像分類タスクに基づいて微調整される。 予測確率の平均化に基づく最後のアンサンブル戦略は、これらの2つのモデルからの相補的な洞察を組み合わせるために用いられる。 4つの多様な医用画像データセット(Breast Ultrasound Images (BUSI), International Skin Imaging Collaboration (ISIC) 2018, Kvasir, COVID)による厳密な実験的検証は、我々のアンサンブルアプローチの優れたパフォーマンスと堅牢性を示している。 MAE事前学習はドメイン固有のデータの機能学習を大幅に改善し、ImageNet事前学習は強力な一般化可能な機能を提供する。 このアンサンブルは、最先端の結果を一貫して達成し、個々のモデルと既存の手法を上回り、様々な事前学習戦略を組み合わせて、医療画像分析に挑戦する効果を強調している。

関連論文リスト

• Enhancing Multimodal Medical Image Classification using Cross-Graph Modal Contrastive Learning [9.902648398258117]
  本稿では,医用画像分類を改善するために,マルチモーダル構造化データを対象としたクロスグラフ・モーダルコントラスト学習フレームワークを提案する。 提案手法は、パーキンソン病(PD)データセットと公共メラノーマデータセットの2つのデータセットで評価される。 以上の結果から,CGMCLは従来手法よりも精度,解釈可能性,早期疾患予測に優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-10-23T01:25:25Z)
• PMT: Progressive Mean Teacher via Exploring Temporal Consistency for Semi-Supervised Medical Image Segmentation [51.509573838103854]
  医用画像セグメンテーションのための半教師付き学習フレームワークであるプログレッシブ平均教師(PMT)を提案する。 我々のPMTは、トレーニングプロセスにおいて、堅牢で多様な特徴を学習することで、高忠実な擬似ラベルを生成する。 CT と MRI の異なる2つのデータセットに対する実験結果から,本手法が最先端の医用画像分割法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-08T15:02:25Z)
• Cross-model Mutual Learning for Exemplar-based Medical Image Segmentation [25.874281336821685]
  Exemplar-based Medical Image(CMEMS)のためのクロスモデル相互学習フレームワーク 外来医用画像のためのクロスモデル相互学習フレームワーク(CMEMS)について紹介する。
  論文  参考訳（メタデータ） (2024-04-18T00:18:07Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• Domain Generalization for Mammographic Image Analysis with Contrastive Learning [62.25104935889111]
  効果的なディープラーニングモデルのトレーニングには、さまざまなスタイルと品質を備えた大規模なデータが必要である。 より優れたスタイルの一般化能力を備えた深層学習モデルを実現するために,新しいコントラスト学習法が開発された。 提案手法は,様々なベンダスタイルドメインのマンモグラムや,いくつかのパブリックデータセットを用いて,広範囲かつ厳密に評価されている。
  論文  参考訳（メタデータ） (2023-04-20T11:40:21Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。