論文の概要: MedDiffuseMix: Preserving Diagnostic Evidence with Saliency-Aware Diffusion Medical Image Data Augmentatio

• arxiv url: http://arxiv.org/abs/2606.28419v1
• Date: Thu, 25 Jun 2026 14:57:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.554003
• Title: MedDiffuseMix: Preserving Diagnostic Evidence with Saliency-Aware Diffusion Medical Image Data Augmentatio
• Title（参考訳）: MedDiffuseMix:Saliency-Aware Diffusion Medical Image Augmentatioによる診断証拠の保存
• Abstract要約: 本稿では,医用画像拡張のための塩分誘導拡散混合フレームワークであるMedDiffuseMixを提案する。 本手法は、分類器由来の塩分マップを用いて、低塩分背景領域から高塩分診断領域を分離する。 実験により,MedDiffuseMixの精度,F1スコア,レシーバ動作特性曲線下の面積は,通常の拡張よりも向上することが示された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Limited data availability, class imbalance, and domain variability remain major barriers to reliable medical image classification. Conventional augmentation can improve training diversity but may distort diagnostically informative structures, whereas unconstrained generative augmentation may introduce label-inconsistent content. This paper proposes MedDiffuseMix, a saliency-guided diffusion mixing framework for controlled medical image augmentation. The method uses classifier-derived saliency maps to separate high-saliency diagnostic regions from low-saliency background areas and applies diffusion-guided mixing mainly to regions with lower diagnostic importance. Adaptive mixing, Gaussian boundary blending, and a saliency-preservation constraint reduce semantic distortion and reject or attenuate samples that shift model attention away from clinically relevant evidence. The framework is evaluated on four public benchmarks: the Radiological Society of North America pneumonia chest radiography dataset, Musculoskeletal Radiographs, PatchCamelyon, and the Breast Cancer Histopathological Image Classification dataset. Experiments with convolutional and transformer-based classifiers show that MedDiffuseMix improves accuracy, F1-score, and area under the receiver operating characteristic curve compared with standard augmentation, Mixup, GenMix, SaliencyMix, and diffusion-based augmentation baselines. Ablation studies confirm the importance of saliency guidance, adaptive region mixing, and smooth boundary blending. Visual attribution analysis further indicates that MedDiffuseMix better preserves diagnostically salient regions. These results suggest that saliency-guided diffusion mixing is an effective augmentation strategy for limited-data medical image classification.
• Abstract（参考訳）: データ可用性、クラス不均衡、ドメインの多様性は、信頼できる医用画像分類の主要な障壁である。 従来の拡張はトレーニングの多様性を改善することができるが、診断的に情報的構造を歪ませることもある。 本稿では,医用画像拡張のための塩分誘導拡散混合フレームワークであるMedDiffuseMixを提案する。 本発明の方法は、分類器由来の塩分濃度マップを用いて、高濃度診断領域を低濃度背景領域から分離し、主に診断重要性の低い領域に拡散誘導混合を適用する。 適応混合、ガウス境界ブレンディング、塩分保存制約は意味的歪みを減少させ、臨床的に関係のある証拠から注意を移すサンプルを拒絶または減衰させる。 このフレームワークは4つの公開ベンチマークで評価されている: 北米放射線学会肺炎胸部X線撮影データセット、筋肉骨格ラジオグラフィーデータセット、パッチキャメリオン、乳がん組織像分類データセット。 畳み込み型および変圧器型分類器を用いた実験により、MedDiffuseMixは、標準拡張、Mixup、GenMix、SaliencyMix、拡散ベースラインに比べて、受信器動作特性曲線の精度、F1スコア、面積を向上することが示された。 アブレーション研究は、塩分濃度誘導、適応領域混合、スムーズな境界混合の重要性を裏付けるものである。 視覚属性分析により,MedDiffuseMixは診断上健全な領域をよりよく保存することが示された。 以上の結果から, 塩分濃度誘導拡散混合は, 医用画像の限定分類に有効な拡張戦略であることが示唆された。

関連論文リスト

• A Robust Unsupervised Domain Adaptation Framework for Medical Image Classification Using RKHS-MMD [0.9634859579172255]
  医療画像のラベル付けは医療画像の分野で大きなボトルネックとなっている。 本稿では、転送学習と再生カーネル空間に基づく最大平均離散性損失を組み合わせた教師なしドメイン適応フレームワークを提案する。 RKHS-MMDは、標準の最大平均差よりも、モダリティギャップの低減に優れた性能を示す。
  論文  参考訳（メタデータ） (2026-05-05T14:14:25Z)
• Meningioma Analysis and Diagnosis using Limited Labeled Samples [16.33207219392822]
  空間周波数領域の重み付き融合は髄膜腫の分類性能に大きな影響を及ぼす。 離散ウェーブレット変換により得られる特定の周波数帯域の寄与は、画像によって大きく異なる。 数発の髄膜腫学習において,異なる周波数帯域情報と空間領域情報の適応重みを持つ特徴融合アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2026-02-11T17:44:10Z)
• MedDIFT: Multi-Scale Diffusion-Based Correspondence in 3D Medical Imaging [6.520674045578402]
  本稿では,Voxelディスクリプタとして事前訓練された潜伏医療拡散モデルのマルチスケール特徴を利用する,トレーニングフリーな3D対応フレームワークであるMedDIFTを提案する。 公開されている肺CTデータセットでは、MedDIFTは最先端のUniGradICONモデルに匹敵する対応精度を達成している。
  論文  参考訳（メタデータ） (2025-12-05T09:53:07Z)
• Diffusion-Based Data Augmentation for Medical Image Segmentation [2.841725244360927]
  DiffAugは、テキスト誘導拡散ベースの生成と自動セグメンテーションバリデーションを組み合わせた、新しいフレームワークである。 我々のフレームワークは、ベースラインよりも8-10%Diceの改善で最先端のパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2025-08-25T09:49:27Z)
• FoundDiff: Foundational Diffusion Model for Generalizable Low-Dose CT Denoising [55.04342933312839]
  本稿では,CT(低線量CT)デノナイズのための基礎拡散モデルFoundDiffを提案する。 FoundDiffは、(i)線量解剖学的知覚と(ii)適応的認知という2段階の戦略を採用している。 まず, 線量および解剖学的知覚を実現するために, 線量および解剖学的対応型コントラスト言語画像事前訓練モデル(DA-CLIP)を開発した。 第2に,適応的および一般化可能な復調を行うために,線量および解剖学的拡散モデル(DA-Diff)を設計する。
  論文  参考訳（メタデータ） (2025-08-24T11:03:56Z)
• ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
  大腸内視鏡検査は臨床診断や治療に不可欠である。 注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。 本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
  論文  参考訳（メタデータ） (2023-09-03T07:55:46Z)
• Class Attention to Regions of Lesion for Imbalanced Medical Image Recognition [59.28732531600606]
  データ不均衡問題に対処するため,textbfClass textbfAttention to textbfRegions of the lesion (CARE)を提案する。 CAREフレームワークは、まれな疾患の病変領域を表すために、バウンディングボックスを必要とする。 その結果,自動バウンディングボックス生成によるCARE変種は,オリジナルのCAREフレームワークに匹敵することがわかった。
  論文  参考訳（メタデータ） (2023-07-19T15:19:02Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• DiffMIC: Dual-Guidance Diffusion Network for Medical Image Classification [32.67098520984195]
  一般医用画像分類のための拡散モデル(DiffMIC)を提案する。 実験の結果,DiffMICは最先端の手法よりも有意に優れていた。
  論文  参考訳（メタデータ） (2023-03-19T09:15:45Z)
• Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
  我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。 提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
  論文  参考訳（メタデータ） (2021-03-19T14:13:56Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。