論文の概要: Chaos-SSL: An Attention-Based Self-Supervised Learning Framework with Chaotic Transformation for Medical Image Classification
- arxiv url: http://arxiv.org/abs/2605.27146v1
- Date: Tue, 26 May 2026 15:10:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-27 17:51:42.365732
- Title: Chaos-SSL: An Attention-Based Self-Supervised Learning Framework with Chaotic Transformation for Medical Image Classification
- Title（参考訳）: Chaos-SSL: 医療画像分類のためのカオス変換を用いた意識に基づく自己監視学習フレームワーク
- Authors: Joao Batista Florindo,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Self-Supervised Learning (SSL) has emerged as a powerful paradigm to mitigate the reliance on large, annotated datasets, a common bottleneck in medical image analysis. However, standard SSL methods, which rely on simple geometric and color augmentations, may fail to capture the fine-grained, complex textural details necessary for classifying subtle pathologies. This paper introduces Chaos-SSL, a novel two-stage framework for medical image classification. In the first stage, we propose a new self-supervised pre-training strategy that leverages 1D chaotic maps (Logistic, Tent, and Sine) as a complex, non-linear augmentation for contrastive learning. We hypothesize that these chaotic transformations create ``harder'' and more semantically-rich views, forcing a network to learn robust representations of fine-grained medical textures. In the second stage, we introduce an attention-based fusion model that dynamically combines the specialized features from our Chaos-SSL model with the general-purpose features of a larger, ImageNet-pre-trained model. We validate our method on two public datasets: ISIC 2018 (skin lesions) and APTOS 2019 (diabetic retinopathy). Our results demonstrate that the Chaos-SSL model pre-trained with a Tent map for 30 epochs, followed by attention fusion, achieves performance fully competitive with the state-of-the-art, yielding an accuracy of 0.9261 on ISIC 2018 and 0.8726 on APTOS 2019. This significantly outperforms existing SSL methods, including several recent approaches.
- Abstract（参考訳）: SSL(Self-Supervised Learning)は、医療画像分析において一般的なボトルネックである、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。
しかし、単純な幾何学的および色拡張に依存する標準SSL法は、微妙な病理の分類に必要な細粒度で複雑なテクスチャの詳細を捉えることができない可能性がある。
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。
まず,1次元カオスマップ(ロジスティック,テント,シネ)を,コントラスト学習のための複雑で非線形な拡張として活用する,自己指導型事前学習戦略を提案する。
我々は、これらのカオス変換が '`harder' とより意味的にリッチなビューを生み出し、ネットワークがきめ細かな医療テクスチャの堅牢な表現を学習せざるを得ない、という仮説を立てた。
第2段階では,Chaos-SSLモデルの特殊機能と,より大きなImageNet-pre-trainedモデルの汎用機能とを動的に組み合わせた注意ベースの融合モデルを導入する。
ISIC 2018 (皮膚病変) とAPTOS 2019 (糖尿病網膜症) の2つのパブリックデータセットで本法の有効性を検証した。
以上の結果から,30エポックでテントマップを事前トレーニングしたChaos-SSLモデルは,最先端技術と完全に競合する性能を示し,ISIC 2018では0.9261,APTOS 2019では0.8726の精度を得た。
これは、いくつかの最近のアプローチを含む既存のSSLメソッドよりも大幅に優れています。
関連論文リスト
- Attention-Based Chaotic Self-Supervision for Medical Image Classification [0.0]
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。
論文 参考訳（メタデータ） (2026-05-06T14:39:44Z) - Multi-View Synergistic Learning with Vision-Language Adaption for Low-Resource Biomedical Image Classification [59.24009931000134]
MVSL(Multi-View Synergistic Learning)は、適応パラダイム、表現の粒度、疾患の意味的関係に対処する統合フレームワークである。
MVSLは、視覚的およびテキスト的エンコーダの適応を分離し、それぞれの表現特性を尊重する。
さらに、グローバルなイメージセマンティクスと局所的な病変レベルの証拠の両方を明示的にモデル化するために、多粒性コントラスト学習を導入する。
MVSLは、いくつかのショットとゼロショットの分類設定において、最先端のメソッドを一貫して上回る。
論文 参考訳（メタデータ） (2026-04-27T02:41:27Z) - Gen-SIS: Generative Self-augmentation Improves Self-supervised Learning [52.170253590364545]
Gen-SISは、ラベルのない画像データにのみ訓練された拡散ベースの拡張技術である。
これらの自己増強、すなわちバニラSSLエンコーダの埋め込みに基づく生成増強は、より強力なSSLエンコーダのトレーニングを促進することを示す。
論文 参考訳（メタデータ） (2024-12-02T16:20:59Z) - Erasing the Bias: Fine-Tuning Foundation Models for Semi-Supervised Learning [4.137391543972184]
半教師付き学習(SSL)は目覚ましい進歩をみせており、多くの方法のバリエーションをもたらしている。
本稿では,FinSSLという新しいSSLアプローチを提案する。
我々は、FineSSLが複数のベンチマークデータセットにSSLの新たな状態を設定し、トレーニングコストを6倍以上削減し、さまざまな微調整と現代的なSSLアルゴリズムをシームレスに統合できることを実証した。
論文 参考訳（メタデータ） (2024-05-20T03:33:12Z) - Self-Supervised Learning Featuring Small-Scale Image Dataset for Treatable Retinal Diseases Classification [0.0]
Self-Supervised Learning (SSL)はTransfer Learning (TL)の優れた代替品であり、不均衡な画像データセットに適している。
そこで本研究では,光学コヒーレンス・トモグラフィー(OCT)画像を用いた治療性網膜疾患分類における4つの事前訓練型SSLモデルと2つのTLモデルの評価を行った。
提案したSSLモデルは、4000のトレーニング画像のみを使用して98.84%の最先端の精度を達成する。
論文 参考訳（メタデータ） (2024-04-15T22:32:50Z) - Zero-Shot Learning by Harnessing Adversarial Samples [52.09717785644816]
本稿では,HAS(Harnessing Adversarial Samples)によるZSL(Zero-Shot Learning)アプローチを提案する。
HASは3つの重要な側面を考慮に入れた敵の訓練を通じてZSLを前進させる。
本稿では,ZSLと一般化ゼロショット学習(GZSL)の両シナリオにおいて,敵対的サンプルアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2023-08-01T06:19:13Z) - Benchmarking Self-Supervised Learning on Diverse Pathology Datasets [10.868779327544688]
自己教師付き学習は、ラベルのないデータを活用する効果的な方法であることが示されている。
我々は、病理画像データに基づいてSSL事前トレーニングを行う最大規模の研究を行う。
核インスタンスセグメンテーションの課題に対してSSLを初めて適用する。
論文 参考訳（メタデータ） (2022-12-09T06:38:34Z) - ConCL: Concept Contrastive Learning for Dense Prediction Pre-training in
Pathology Images [47.43840961882509]
自己教師型学習は、このようなアノテーションの多いタスクにアピールする。
病理画像における高密度予測タスクのためのSSLメソッドのベンチマークを最初に行った。
本研究では,高密度事前学習のためのSSLフレームワークであるコントラスト学習(ConCL)を提案する。
論文 参考訳（メタデータ） (2022-07-14T08:38:17Z) - Self-distillation Augmented Masked Autoencoders for Histopathological
Image Classification [11.573165017470867]
自己教師付き学習(SSL)を生成パラダイムから構築するマスク付きオートエンコーダ(MAE)は、おそらくより適切な事前トレーニングである。
新しいSD-MAEモデルが提案され, 自己蒸留型MAEが実現された。
実験により、SD-MAEは他のSSLメソッドと比較して高い競合性能を示すことが示された。
論文 参考訳（メタデータ） (2022-03-31T12:09:20Z) - Interventional Few-Shot Learning [88.31112565383457]
本稿では,新しいFew-Shot Learningパラダイム,Interventional Few-Shot Learningを提案する。
コードはhttps://github.com/yue-zhongqi/ifsl.comで公開されている。
論文 参考訳（メタデータ） (2020-09-28T01:16:54Z) - AdarGCN: Adaptive Aggregation GCN for Few-Shot Learning [112.95742995816367]
FSFSLと呼ばれる新しい数発のスナップショット・ラーニング・セッティングを提案する。
FSFSLでは、ソースクラスとターゲットクラスの両方に限られたトレーニングサンプルがある。
また,無関係な画像を削除するためのグラフ畳み込みネットワーク (GCN) ベースのラベルデノイング (LDN) 手法を提案する。
論文 参考訳（メタデータ） (2020-02-28T10:34:36Z)
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。