論文の概要: Geometry-Aware Superpixel Graph Transformer with Metadata for Skin Lesion Classification

• arxiv url: http://arxiv.org/abs/2606.20390v1
• Date: Thu, 18 Jun 2026 15:45:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.960112
• Title: Geometry-Aware Superpixel Graph Transformer with Metadata for Skin Lesion Classification
• Title（参考訳）: 皮膚病変分類のためのメタデータ付き幾何対応スーパーピクセルグラフ変換器
• Authors: Muhammad Azeem, Tanveer Hussain, Amr Ahmed, Ardhendu Behera,
• Abstract要約: 既存のCNN/ViTパイプラインは、グローバルまたはパッチレベルの機能に依存しており、しばしば後期融合を通じて患者のメタデータを組み合わせる。 本稿では,空間的コヒーレントなスーパーピクセル領域のグラフとして,病変を明示的にモデル化する新しい領域ベースグラフ学習フレームワークを提案する。 本研究では,領域レベルの関係モデルとグラフネイティブなマルチモーダル融合が,最先端技術に対して一貫した利得をもたらすことを示す。
• 参考スコア（独自算出の注目度）: 8.142478772253932
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated skin cancer classification from dermoscopic images remains challenging due to heterogeneous lesion structure, strong intra-class variability, and subtle visual differences between benign and malignant cases. Existing CNN/ViT pipelines typically rely on global or patch-level features and often combine patient metadata via late fusion, which limits spatially grounded multimodal reasoning. We present a novel region-based graph learning framework that explicitly models lesions as graphs of spatially coherent superpixel regions represented as frozen CNN features. To capture fine-grained lesion arrangements, we encode inter-regional geometry as edge attributes and introduce a dedicated metadata context node connected to all regions, providing structured integration of demographic/clinical variables within the same relational space. Node representations are updated using our edge-aware graph transformer followed by attention-driven propagation, and a final graph-level embedding for benign-malignant classification. Experiments on four public benchmarks demonstrate that explicit region-level relational modeling and graph-native multimodal fusion yield consistent gains over the state-of-the-art. Consequently, we establish a new graph-centric perspective in which CNN features are modeled as relational nodes and improved through contextual integration, yielding more expressive and robust classifications.
• Abstract（参考訳）: 皮膚内視鏡像からの皮膚癌自動分類は, 異種病変構造, クラス内変動性, 良性症例と悪性症例の微妙な視覚的差異が原因で, 依然として困難である。 既存のCNN/ViTパイプラインは通常、グローバルまたはパッチレベルの機能に依存しており、しばしば、空間的に接地されたマルチモーダル推論を制限するレイトフュージョンを通じて、患者のメタデータを組み合わせる。 凍結したCNNの特徴として表される空間的コヒーレントなスーパーピクセル領域のグラフとして、病変を明示的にモデル化する新しい領域ベースグラフ学習フレームワークを提案する。 微細な病変の配置を捉えるため,領域間形状をエッジ属性としてエンコードし,すべての領域に接続する専用のメタデータコンテキストノードを導入し,同じ関係空間内での人口統計・クリニカル変数の構造化統合を実現する。 ノード表現は、エッジ対応グラフトランスフォーマを使用して更新され、次に注目駆動の伝搬と、良性-良性分類のための最終グラフレベルの埋め込みが続く。 4つの公開ベンチマークの実験では、明示的な領域レベルの関係モデリングとグラフネイティブなマルチモーダル融合により、最先端よりも一貫した利得が得られることが示された。 その結果,CNN特徴をリレーショナルノードとしてモデル化し,文脈統合により改善し,より表現的かつロバストな分類を実現するグラフ中心の視点を確立した。

関連論文リスト

• TFFM: Topology-Aware Feature Fusion Module via Latent Graph Reasoning for Retinal Vessel Segmentation [3.903438631397551]
  血管接続性を維持するために設計されたトポロジ対応フレームワークを紹介する。 我々のアーキテクチャは、局所的な特徴表現を潜在グラフ空間にマッピングする、トポロジカル・フィーチャー・フュージョン・モジュール(TFFM)を融合する。 学習過程をハイブリッドな目的関数で駆動し,クラス不均衡に対するTverskyの損失とソフトなClDiceの損失とを結合させ,トポロジカルな切断を明示的に罰する。
  論文  参考訳（メタデータ） (2026-01-27T03:09:10Z)
• Integrating Multi-scale and Multi-filtration Topological Features for Medical Image Classification [20.820287362872975]
  ディープニューラルネットワークは、医用画像分類において顕著な性能を示している。 マルチスケールおよびマルチフィルタ型永続的なトポロジ特徴を抽出する新しいトポロジ誘導型分類フレームワークを提案する。 我々のアプローチは、複雑な解剖学的構造を認識するためのモデルの能力を高める。
  論文  参考訳（メタデータ） (2025-12-08T06:02:02Z)
• A Graph-Based Framework for Interpretable Whole Slide Image Analysis [86.37618055724441]
  我々は,全スライディング画像を生物学的にインフォームドされたグラフ表現に変換するフレームワークを開発した。 我々のアプローチは、任意の格子ではなく、自然構造を尊重する組織領域からグラフノードを構築する。 がんのステージングと生存予測の課題に強いパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-03-14T20:15:04Z)
• Histopathology Whole Slide Image Analysis with Heterogeneous Graph Representation Learning [78.49090351193269]
  本稿では,WSI分析のために,異なる種類の核間の相互関係を利用する新しいグラフベースのフレームワークを提案する。 具体的には、WSI を各ノードに "nucleus-type" 属性と各エッジに類似した意味属性を持つ異種グラフとして定式化する。 我々のフレームワークは、様々なタスクに対してかなりのマージンで最先端の手法より優れています。
  論文  参考訳（メタデータ） (2023-07-09T14:43:40Z)
• How GNNs Facilitate CNNs in Mining Geometric Information from Large-Scale Medical Images [2.2699159408903484]
  畳み込みニューラルネットワーク(CNN)が捉えたグローバルな画像レベルの表現を強化するための融合フレームワークを提案する。 大腸癌と胃癌の大規模なコホートから得られた組織学的データセットの融合戦略について検討した。
  論文  参考訳（メタデータ） (2022-06-15T15:27:48Z)
• Mixed Graph Contrastive Network for Semi-Supervised Node Classification [63.924129159538076]
  我々はMixed Graph Contrastive Network(MGCN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 本研究では,非摂動増強戦略と相関還元機構により,潜伏埋め込みの識別能力を向上する。 これら2つの設定を組み合わせることで、識別表現学習のために、豊富なノードと稀に価値あるラベル付きノードの両方から、豊富な監視情報を抽出する。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• BI-GCN: Boundary-Aware Input-Dependent Graph Convolution Network for Biomedical Image Segmentation [21.912509900254364]
  セグメント化タスクにグラフ畳み込みを適用し,改良されたtextitLaplacianを提案する。 本手法は,大腸内視鏡像におけるポリープの分画と光ディスク,光カップのカラーファンドス画像における画期的なアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2021-10-27T21:12:27Z)
• Hyperbolic Graph Embedding with Enhanced Semi-Implicit Variational Inference [48.63194907060615]
  半単純グラフ変分自動エンコーダを用いて,低次元グラフ潜在表現における高次統計量を取得する。 我々は、階層構造を示すグラフを効率的に表現するために、ポインケア埋め込みを通して潜在空間に双曲幾何学を組み込む。
  論文  参考訳（メタデータ） (2020-10-31T05:48:34Z)
• Multi-Level Graph Convolutional Network with Automatic Graph Learning for Hyperspectral Image Classification [63.56018768401328]
  HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。 空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。 MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
  論文  参考訳（メタデータ） (2020-09-19T09:26:20Z)

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。