論文の概要: OTCHA: Optimal Transport-driven Confidence-aware Latent Hub Alignment for Multi-View Medical Image Classification

• arxiv url: http://arxiv.org/abs/2606.19838v1
• Date: Thu, 18 Jun 2026 06:32:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.68488
• Title: OTCHA: Optimal Transport-driven Confidence-aware Latent Hub Alignment for Multi-View Medical Image Classification
• Title（参考訳）: OTCHA:多視点医用画像分類のための最適輸送駆動信頼度対応潜伏ハブアライメント
• Authors: Jiwoong Yang, Haejun Chung, Ikbeom Jang,
• Abstract要約: 医用画像は、しばしば登録されておらず、ビュー固有のアーティファクトや無関係な背景手がかりを含んでいる。 我々は,最適なトランスポートに基づく信頼度を意識した潜在ハブトークンアライメントモジュールであるOCCHAを提案する。
• 参考スコア（独自算出の注目度）: 0.01268579273097071
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Multi-view imaging, such as mammography and chest radiography, is a standard component of clinical practice. However, medical images are often unregistered and contain view-specific artifacts or irrelevant background cues that can obscure diagnostically relevant findings. Many existing methods directly fuse per-view representations, allowing such irrelevant content to contaminate the fused embedding and reducing robustness under varying view configurations. We propose OTCHA, a confidence-aware latent hub token alignment module based on optimal transport (OT) that refines patch tokens before fusion for multi-view classification. OTCHA introduces a set of learnable latent hub tokens shared across views. For each view, we compute an OT plan between patch tokens and hub tokens that jointly considers feature similarity and geometry, and augment the OT formulation with token-conditional dustbins to enable partial matching and discard irrelevant tokens. The resulting transport plan provides token-wise matching confidence, which gates hub-mediated message passing and weights a novel optimal-transport-based representation alignment loss to stabilize refinement. Experiments on three multi-view medical image datasets demonstrate consistent improvements over competing baselines across diverse anatomies and view configurations. Our code is available at https://github.com/labhai/OTCHA.
• Abstract（参考訳）: マンモグラフィーや胸部X線撮影のようなマルチビューイメージングは、臨床の標準的要素である。 しかし、医療画像は、しばしば登録されておらず、診断に関連のある発見を曖昧にできる、ビュー固有のアーティファクトや無関係な背景手がかりを含んでいる。 多くの既存手法はビュー毎の表現を直接融合し、そのような無関係なコンテンツが融合した埋め込みを汚染し、様々なビュー構成下で堅牢性を低下させる。 OTCHAは、マルチビュー分類のための融合前にパッチトークンを洗練する最適なトランスポート(OT)に基づく、信頼を意識した潜在ハブトークンアライメントモジュールである。 OTCHAは、ビュー間で共有される学習可能な潜在ハブトークンのセットを導入している。 各ビューに対して、パッチトークンとハブトークン間のOTプランを計算し、特徴の類似性と幾何学を共同で検討し、トークン条件のダストビンでOTの定式化を強化し、部分マッチングを可能にし、無関係なトークンを破棄する。 結果として得られたトランスポートプランはトークンワイドの信頼性を提供し、ハブ経由のメッセージパッシングをゲートし、新しい最適なトランスポートベースのアライメントアライメント損失を重み付け、洗練を安定化させる。 3つのマルチビュー医療画像データセットの実験は、多様な解剖学とビュー構成で競合するベースラインよりも一貫した改善を示している。 私たちのコードはhttps://github.com/labhai/OTCHA.comで公開されています。

関連論文リスト

• ZACH-ViT: Regime-Dependent Inductive Bias in Compact Vision Transformers for Medical Imaging [0.0]
  ZACH-ViTはコンパクトなビジョン変換器で、位置埋め込みとトークンの両方を取り除きます。 特に「ゼロトークン」とは、専用の[NIST]アグリゲーショントークンと位置埋め込みを取り除くことを指す。 ZACH-ViTは、サブ秒の推論時間を維持しながら競合性能を達成する。
  論文  参考訳（メタデータ） (2026-02-20T01:38:59Z)
• SimCroP: Radiograph Representation Learning with Similarity-driven Cross-granularity Pre-training [25.763109982379703]
  胸部CTにおける類似性駆動型クロスグラニュラリティ事前学習フレームワークを提案する。 類似性駆動アライメントとクロスグラニュラリティ融合を組み合わせて、ラジオグラフィーの解釈を改善する。 SimCroPは、大規模なペアCTレポートデータセットで事前トレーニングされ、画像分類とセグメンテーションタスクで検証される。
  論文  参考訳（メタデータ） (2025-09-10T06:20:53Z)
• Breaking the Frame: Visual Place Recognition by Overlap Prediction [53.17564423756082]
  本稿では,重なり合う予測に基づく新しい視覚的位置認識手法 VOP を提案する。 VOPは、Vision Transformerのバックボーンを使用してパッチレベルの埋め込みを取得することで、コビジュアブルなイメージセクションを進める。 提案手法では,データベース画像の重複点の評価に投票機構を用いる。
  論文  参考訳（メタデータ） (2024-06-23T20:00:20Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• PatchCT: Aligning Patch Set and Label Set with Conditional Transport for Multi-Label Image Classification [48.929583521641526]
  マルチラベル画像分類は、与えられた画像から複数のラベルを識別することを目的とした予測タスクである。 本稿では,このギャップを埋める条件輸送理論を紹介する。 複数ラベルの分類をCT問題として定式化することで,画像とラベルの相互作用を効率的に活用できることがわかった。
  論文  参考訳（メタデータ） (2023-07-18T08:37:37Z)
• JOINEDTrans: Prior Guided Multi-task Transformer for Joint Optic Disc/Cup Segmentation and Fovea Detection [1.121358474059223]
  本稿では,JOINEDTrans という名前のジョイントOD/OCセグメンテーションと卵胞検出のための先行ガイド付きマルチタスクトランスフレームワークを提案する。 血管分割作業で予め訓練したエンコーダを用いて,血管,OD/OC,卵胞の位置関係を効果的に活用する。 ジョイントセグメンテーション及び検出モジュールを介して、ジョイントOD/OC粗いセグメンテーションとフォベアヒートマップの局在を得る。
  論文  参考訳（メタデータ） (2023-05-19T08:10:43Z)
• Affinity Feature Strengthening for Accurate, Complete and Robust Vessel Segmentation [48.638327652506284]
  血管セグメンテーションは、冠動脈狭窄、網膜血管疾患、脳動脈瘤などの多くの医学的応用において重要である。 コントラストに敏感なマルチスケールアフィニティアプローチを用いて,幾何学的手法と画素単位のセグメンテーション特徴を連成的にモデル化する新しいアプローチであるAFNを提案する。
  論文  参考訳（メタデータ） (2022-11-12T05:39:17Z)
• Cross-level Contrastive Learning and Consistency Constraint for Semi-supervised Medical Image Segmentation [46.678279106837294]
  半教師型医用画像セグメンテーションにおける局所特徴の表現能力を高めるためのクロスレベルコンストラシティブ学習手法を提案する。 クロスレベルなコントラスト学習と一貫性制約の助けを借りて、非ラベル付きデータを効果的に探索してセグメンテーション性能を向上させることができる。
  論文  参考訳（メタデータ） (2022-02-08T15:12:11Z)
• Multi-Compound Transformer for Accurate Biomedical Image Segmentation [33.49158559361491]
  我々は、MCTrans(Multi-Compound Transformer)と呼ばれる統一トランスネットワークを提案する。 MCTransはトークンのシーケンスとしてマルチスケールの畳み込み機能を組み込んで、イントラスケールとインタースケールの自己アテンションを実行する。 MCTransはUNetのようなネットワークに簡単に接続でき、バイオメディカルイメージセグメンテーションにおける最先端の手法よりも大幅に改善されている。
  論文  参考訳（メタデータ） (2021-06-28T03:45:44Z)
• Cross-Modal Contrastive Learning for Abnormality Classification and Localization in Chest X-rays with Radiomics using a Feedback Loop [63.81818077092879]
  医療画像のためのエンドツーエンドのセミスーパーバイスドクロスモーダルコントラスト学習フレームワークを提案する。 まず、胸部X線を分類し、画像特徴を生成するために画像エンコーダを適用する。 放射能の特徴は別の専用エンコーダを通過し、同じ胸部x線から生成された画像の特徴の正のサンプルとして機能する。
  論文  参考訳（メタデータ） (2021-04-11T09:16:29Z)

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。