論文の概要: TRCGL-Net: A Long-Tailed Multi-Label Chest X-Ray Classification Framework with Generative Data Augmentation and Label Co-Occurrence Modeling

• arxiv url: http://arxiv.org/abs/2607.00975v1
• Date: Wed, 01 Jul 2026 14:10:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.930686
• Title: TRCGL-Net: A Long-Tailed Multi-Label Chest X-Ray Classification Framework with Generative Data Augmentation and Label Co-Occurrence Modeling
• Title（参考訳）: TRCGL-Net: 生成データ拡張とラベル共起モデルによる複数ラベルチェストX線分類フレームワーク
• Abstract要約: 疾患意味制約下で, 高品質な胸部X線画像サンプルを生成するためにRTCGL-Netを提案する。 提案手法は, テールクラスのmAPが0.4904, 全体的なmAPが0.4408, およびmAUCが0.8989であり, 最先端の手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 15.092790142993188
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Chest X-ray multi-label classification is a core task in intelligent medical imaging diagnosis. However, real clinical data often exhibit extreme long-tailed distributions, leading to degraded performance on rare diseases in tail classes. This issue is not only driven by data scarcity but also by two intrinsic factors:1) attenuation of tail-class lesion representations under complex anatomical backgrounds, and 2) dominance of head classes in modeling label co-occurrence relationships. To address these challenges, we propose TRCGL-Net. First, a learnable text-guided conditional diffusion model is employed to generate high-quality tail-class chest X-ray image samples under disease semantic constraints, improving data diversity and realism of rare disease patterns while alleviating class imbalance and preserving pathology-consistent semantics.Second, a channel reweighting mechanism is introduced to perform feature recalibration by emphasizing disease-relevant feature channels, thereby improving feature discriminability under long-tailed distributions.A class-aware attention mechanism is further applied to generate class-specific attention maps, enabling the model to localize disease-relevant regions and focus on fine-grained lesion areas.Finally, a graph convolution network based on label co occurrence is introduced to establish an information propagation mechanism among categories. Experiments on the PadChest dataset show that the proposed method achieves a tail-class mAP of 0.4904, an overall mAP of 0.4408, and an mAUC of 0.8989, outperforming state-of-the-art methods. TRCGL-Net effectively improves recognition performance for rare diseases under long-tailed distributions and mitigates the impact of extreme class imbalance in chest X-ray multi-label classification.
• Abstract（参考訳）: 胸部X線マルチラベル分類は、インテリジェントな医用画像診断における中核的な課題である。 しかし、実際の臨床データは、しばしば極端に長い尾の分布を示し、尾のクラスの稀な疾患の悪化に繋がる。 この問題は、データ不足だけでなく、2つの本質的要因によっても引き起こされる:1)複雑な解剖学的背景の下での尾型病変表現の減衰 2) ラベル共起関係のモデル化におけるヘッドクラスの優位性。 これらの課題に対処するため,RTCGL-Netを提案する。 まず、学習可能なテキスト誘導条件付き拡散モデルを用いて、疾患意味制約下で高品質な尾型胸部X線画像サンプルを生成し、クラス不均衡を緩和し、病因一貫性セマンティクスを保ちながら、希少な疾患パターンのデータ多様性とリアリズムを改善する。また、チャネル再重み付け機構を導入して、疾患関連特徴チャネルを強調し、長期分布における特徴識別性を向上し、長期分布における特徴識別性を向上させる。また、クラス認識機構を適用して、疾患関連領域をローカライズし、きめ細かい病変領域に集中できるようにし、また、ラベルに基づくグラフ畳み込みネットワークを導入して、情報伝達機構の確立を図る。 PadChestデータセットを用いた実験により,提案手法は尾級mAP0.4904,総mAP0.4408,mAUC0.8989を達成し,最先端の手法より優れていた。 TRCGL-Netは, 胸部X線多ラベル分類において, 長期分布下の希少疾患の認識性能を効果的に向上し, 極端クラス不均衡の影響を緩和する。

関連論文リスト

• Taxlifier: Leveraging Disease Taxonomy for Enhanced Multi-Label Classification in Chest Radiography [0.0]
  本稿では,ロスベースとロジットベースという2つの新しい階層型マルチラベル分類手法を提案する。 3つの大規模胸部X線データセットを用いて両手法の性能評価を行った。
  論文  参考訳（メタデータ） (2026-07-06T20:33:55Z)
• Residual GRU+MHSA: A Lightweight Hybrid Recurrent Attention Model for Cardiovascular Disease Detection [1.267904597444312]
  臨床記録のためのコンパクトなディープラーニングアーキテクチャであるMulti-Head Self-Attentionを用いたResidual GRUを提案する。 5倍層状クロスバリデーションを用いたUCI心疾患データセットのモデルについて検討した。 提案モデルでは, 0.861, 0.860のマクロF1, 0.908のROC-AUC, 0.904のPR-AUCが全ベースラインを上回る精度で達成されている。
  論文  参考訳（メタデータ） (2025-12-16T16:33:59Z)
• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• Handling imbalance and few-sample size in ML based Onion disease classification [1.3177681589844814]
  タマネギの作物病および害虫の多種分類のための頑健な深層学習モデルを提案する。 実世界のフィールド画像データセットに96.90%の精度と0.96のF1スコアを与えるモデルを与える。
  論文  参考訳（メタデータ） (2025-09-01T19:05:39Z)
• CXR-CML: Improved zero-shot classification of long-tailed multi-label diseases in Chest X-Rays [3.196204482566275]
  臨床所見の分布におけるクラス不均衡は,自己教師型ディープラーニングモデルにおいて重要な課題である。 本稿では,潜在空間内のクラス分布と直接整合するクラス重み付け機構を提案する。 提案手法では,MIMIC-CXR-JPGデータセットの40クラスで0ショットAUCスコアが7%向上した。
  論文  参考訳（メタデータ） (2025-07-25T16:05:47Z)
• CheX-Nomaly: Segmenting Lung Abnormalities from Chest Radiographs using Machine Learning [0.0]
  本稿では,二元化ローカライズU-netモデルであるCheX-nomalyを提案する。 対照的な学習手法を取り入れることで,異常局所化モデルの一般化性を大幅に向上できることを示す。 また,バウンディングボックスセグメンテーションにおけるU-nets性能を向上させるために,新たな損失手法を提案する。
  論文  参考訳（メタデータ） (2023-11-03T08:27:57Z)
• 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)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
  胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。 また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
  論文  参考訳（メタデータ） (2020-07-21T14:37:00Z)
• 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)
• Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete Labels [66.57101219176275]
  胸部X線画像上の疾患診断は,多ラベル分類の課題である。 本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。 本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
  論文  参考訳（メタデータ） (2020-02-26T17:10:48Z)

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。