論文の概要: A multifractal-based masked auto-encoder: an application to medical images

• arxiv url: http://arxiv.org/abs/2605.26287v1
• Date: Mon, 25 May 2026 19:20:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:41.379737
• Title: A multifractal-based masked auto-encoder: an application to medical images
• Title（参考訳）: マルチフラクタル型マスク付きオートエンコーダの医用画像への応用
• Authors: Joao Batista Florindo, Viviane de Moura,
• Abstract要約: マスケードオートエンコーダ (MAE) は医用画像分類において有望である。 本稿では,マルチフラクタル測度(Renyi entropy)を用いてマスキング戦略を最適化する手法を提案する。 提案手法はMO-MAE (Multifractal-Optimized Masked Autoencoder) と呼ばれ,多フラクタル解析を用いて複雑度と情報量の高い領域を同定する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Masked autoencoders (MAE) have shown great promise in medical image classification. However, the random masking strategy employed by traditional MAEs may overlook critical areas in medical images, where even subtle changes can indicate disease. To address this limitation, we propose a novel approach that utilizes a multifractal measure (Renyi entropy) to optimize the masking strategy. Our method, termed Multifractal-Optimized Masked Autoencoder (MO-MAE), employs a multifractal analysis to identify regions of high complexity and information content. By focusing the masking process on these areas, MO-MAE ensures that the model learns to reconstruct the most diagnostically relevant features. This approach is particularly beneficial for medical imaging, where fine-grained inspection of tissue structures is crucial for accurate diagnosis. We evaluate MO-MAE on several medical datasets covering various diseases, including MedMNIST and COVID-CT. Our results demonstrate that MO-MAE achieves promising performance, surpassing other basiline and state-of-the-art models. The proposed method also adds minimum computational overhead as the computation of the proposed measure is straightforward. Our findings suggest that the multifractal-optimized masking strategy enhances the model's ability to capture and reconstruct complex tissue structures, leading to more accurate and efficient medical image representation. The proposed MO-MAE framework offers a promising direction for improving the accuracy and efficiency of deep learning models in medical image analysis, potentially advancing the field of computer-aided diagnosis.
• Abstract（参考訳）: マスケードオートエンコーダ (MAE) は医用画像分類において有望である。 しかし、従来のMAEが採用するランダムマスキング戦略は、微妙な変化でさえ病気を示す医療画像の重要な領域を見落としている可能性がある。 この制限に対処するために,マルチフラクタル測度(Renyi entropy)を用いてマスキング戦略を最適化する手法を提案する。 提案手法はMO-MAE (Multifractal-Optimized Masked Autoencoder) と呼ばれ,多フラクタル解析を用いて複雑度と情報量の高い領域を同定する。 これらの領域にマスキングのプロセスを集中させることで、MO-MAEはモデルが最も診断に関係のある特徴を再構築することを学ぶ。 このアプローチは、組織構造のきめ細かい検査が正確な診断に不可欠である医用画像に特に有用である。 我々は,MedMNIST や COVID-CT など,様々な疾患をカバーするいくつかの医学データセット上でMO-MAEを評価した。 以上の結果から,MO-MAEは,他のバシリンモデルや最先端モデルを上回る,有望な性能を達成できることが示唆された。 提案手法は,提案手法の計算が簡単であるため,最小限の計算オーバーヘッドも加える。 以上の結果から,マルチフラクタル最適化マスキングは複雑な組織構造を捕捉・再構成し,より正確かつ効率的な医用画像表現を可能にすることが示唆された。 提案したMO-MAEフレームワークは,医用画像解析における深層学習モデルの精度と効率を向上させるための有望な方向を提供し,コンピュータ支援診断の分野を前進させる可能性がある。

関連論文リスト

• Sim4Seg: Boosting Multimodal Multi-disease Medical Diagnosis Segmentation with Region-Aware Vision-Language Similarity Masks [54.00822479127598]
  医療診断(MDS)という医用視覚言語タスクについて紹介する。 MDSは、医療画像に対する臨床クエリを理解し、対応するセグメンテーションマスクと診断結果を生成することを目的としている。 診断セグメンテーションの性能を向上させる新しいフレームワークであるSim4Segを提案する。
  論文  参考訳（メタデータ） (2025-11-10T03:22:42Z)
• Mask What Matters: Controllable Text-Guided Masking for Self-Supervised Medical Image Analysis [2.6554246520306624]
  Mask What Mattersは、自己監督型医療画像分析のためのコントロール可能なテキスト誘導マスキングフレームワークである。 既存のMIM法を一貫して上回り、分類精度で最大3.1ポイントの利得を得る。 これらの改善は、全体のマスキング比を著しく低くする。
  論文  参考訳（メタデータ） (2025-09-27T02:26:56Z)
• RadIR: A Scalable Framework for Multi-Grained Medical Image Retrieval via Radiology Report Mining [64.66825253356869]
  本稿では,複数の粒度で画像の類似度を決定するために,高密度ラジオロジーレポートを利用した新しい手法を提案する。 我々は、胸部X線用MIMIC-IRとCTスキャン用CTRATE-IRの2つの総合的な医用画像検索データセットを構築した。 RadIR-CXR と Model-ChestCT という2つの検索システムを開発し,従来の画像画像検索と画像レポート検索に優れた性能を示す。
  論文  参考訳（メタデータ） (2025-03-06T17:43:03Z)
• MRGen: Segmentation Data Engine for Underrepresented MRI Modalities [59.61465292965639]
  稀ながら臨床的に重要な画像モダリティのための医用画像分割モデルの訓練は、注釈付きデータの不足により困難である。 本稿では,データ合成における生成モデルの利用について検討する。 本稿では,テキストプロンプトとセグメンテーションマスクを条件とした医用画像合成のためのデータエンジンMRGenを提案する。
  論文  参考訳（メタデータ） (2024-12-04T16:34:22Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。 我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Mask-Enhanced Segment Anything Model for Tumor Lesion Semantic Segmentation [48.107348956719775]
  Mask-Enhanced SAM (M-SAM) は, 腫瘍の3次元セグメント化に適した革新的なアーキテクチャである。 本稿では,M-SAM内におけるMask-Enhanced Adapter (MEA) を提案する。 我々のM-SAMは高いセグメンテーション精度を達成し、またロバストな一般化を示す。
  論文  参考訳（メタデータ） (2024-03-09T13:37:02Z)
• MedFLIP: Medical Vision-and-Language Self-supervised Fast Pre-Training with Masked Autoencoder [26.830574964308962]
  本稿では,医療分析のための高速言語画像事前学習手法であるMedFLIPを紹介する。 交差ドメインを用いたゼロショット学習のためのMAEを探索し、限られたデータから学習するモデルの能力を向上する。 最後に,医療画像解析におけるゼロショット性能の向上を言語を用いて検証する。
  論文  参考訳（メタデータ） (2024-03-07T16:11:43Z)
• End-to-end autoencoding architecture for the simultaneous generation of medical images and corresponding segmentation masks [3.1133049660590615]
  ハミルトン変分オートエンコーダ(HVAE)に基づくエンドツーエンドアーキテクチャを提案する。 従来の変分オートエンコーダ(VAE)と比較して後部分布近似が向上する。 本手法は, 生成的逆境条件より優れ, 画像品質の向上を示す。
  論文  参考訳（メタデータ） (2023-11-17T11:56:53Z)
• 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)

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。