論文の概要: Graph-of-Differences: Anatomy-Structured Difference Alignment for Medical Image Re-Identification

• arxiv url: http://arxiv.org/abs/2606.21368v1
• Date: Fri, 19 Jun 2026 12:18:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 14:02:53.440586
• Title: Graph-of-Differences: Anatomy-Structured Difference Alignment for Medical Image Re-Identification
• Title（参考訳）: グラフ・オブ・ディファレンス:医用画像再同定のための解剖学的構造的差分アライメント
• Authors: Nichula Wasalathilaka, Abhijit Das, Imran Razzak, Dwarikanath Mahapatra,
• Abstract要約: 本稿では,明示的な解剖学的構造で同一性比較を行うグラフ・オブ・ディファレンス(GoD)を提案する。 グラフレベルの差分アライメントは、これらの解剖学的に整合した差分をグローバルなバックボーン差と結びつける。 説明は名前付きグラフノード上で定義され、ノード挿入/削除テストを通じて定量的に監査される。
• 参考スコア（独自算出の注目度）: 23.84417220450447
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical image re-identification (MedReID) enables longitudinal patient linkage but remains vulnerable to shortcut learning and often produces decisions that clinicians cannot audit against named anatomy. We propose Graph-of-Differences (GoD), which grounds identity comparisons in explicit anatomical structure. Each image is represented as an anatomy graph whose nodes correspond to named anatomical regions; given an image pair, soft node correspondence is established, and differences are computed over matched anatomy. A graph-level difference alignment objective ties these anatomy-matched differences to the global backbone difference, ensuring the retrieval signal is anchored in homologous structures rather than arbitrary spatial tokens. Explanations are defined over named graph nodes and quantitatively audited via node insertion/deletion tests, replacing unstable pixel heatmaps with verifiable structure-level evidence. On internal benchmarks, GoD improves Rank-1 by +7.1 pp on fundus and +3.1 pp on CXR over a strong frozen-backbone baseline, with further gains on zero-shot external transfers confirming that anatomy grounding improves both accuracy and generalization. Code is available at https://github.com/GenMI-Lab/GoD.git.
• Abstract（参考訳）: 医用画像再同定(MedReID)は、患者の長期的リンクを可能にするが、学習のショートカットに弱いままであり、臨床医が命名された解剖学に対して検査できない決定を下すことが多い。 本稿では,明示的な解剖学的構造で同一性比較を行うグラフ・オブ・ディファレンス(GoD)を提案する。 各画像は、ノードが命名された解剖学的領域に対応する解剖学的グラフとして表現され、画像対が与えられたとき、ソフトノード対応が確立され、一致した解剖学的上で差分が計算される。 グラフレベルの差分アライメント目的は、これら解剖学的に整合した差分をグローバルなバックボーン差分と結び付け、検索信号が任意の空間トークンではなくホモロジー構造に固定されることを保証する。 説明は名前付きグラフノード上で定義され、ノード挿入/削除テストを通じて定量的に監査され、不安定なピクセル熱マップを検証可能な構造レベルの証拠に置き換える。 内部ベンチマークにおいて、GoDは、強力な凍結バックボーンベースラインよりも、ベースライン上のランク1を+7.1 pp、CXR上の+3.1 ppで改善し、ゼロショットの外部転送では、解剖学的基底が精度と一般化の両方を改善することを確認する。 コードはhttps://github.com/GenMI-Lab/GoD.gitで入手できる。

関連論文リスト

• 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)
• Towards Robust Cardiac Segmentation using Graph Convolutional Networks [0.9507020058422264]
  本稿では,心解剖学に基づく2つの畳み込み環を用いたグラフアーキテクチャを提案する。 この予測器は,分布外および不適な入力画像をリアルタイムに検出できることを示す。
  論文  参考訳（メタデータ） (2023-10-02T13:55:06Z)
• Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
  我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。 まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。 第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
  論文  参考訳（メタデータ） (2022-09-27T15:50:31Z)
• SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection [76.01333073259677]
  無線画像からの異常検出のための空間認識型メモリキューを提案する(略してSQUID)。 SQUIDは, 微細な解剖学的構造を逐次パターンに分類でき, 推測では画像中の異常(見えない/修正されたパターン)を識別できる。
  論文  参考訳（メタデータ） (2021-11-26T13:47:34Z)
• Structured Landmark Detection via Topology-Adapting Deep Graph Learning [75.20602712947016]
  解剖学的顔と医学的ランドマーク検出のための新しいトポロジ適応深層グラフ学習手法を提案する。 提案手法は局所像特徴と大域形状特徴の両方を利用するグラフ信号を構成する。 3つの公開顔画像データセット(WFLW、300W、COFW-68)と3つの現実世界のX線医学データセット(ケパロメトリ、ハンド、ペルビス)で実験を行った。
  論文  参考訳（メタデータ） (2020-04-17T11:55:03Z)
• High-Order Information Matters: Learning Relation and Topology for Occluded Person Re-Identification [84.43394420267794]
  本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。 我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-03-18T12:18:35Z)

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。