論文の概要: Boosting Ultrasound Image Classification via Attribute-Guided Dual-Branch Framework

• arxiv url: http://arxiv.org/abs/2607.01648v1
• Date: Thu, 02 Jul 2026 03:20:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.649575
• Title: Boosting Ultrasound Image Classification via Attribute-Guided Dual-Branch Framework
• Title（参考訳）: Attribute-Guided Dual-Branch Frameworkによる超音波画像分類の高速化
• Abstract要約: 本稿では,領域に依存しない医療属性を事前に導入した超音波分類のための属性誘導型デュアルブランチフレームワークを提案する。 超音波分類タスクの多種多様な実験により,本手法が複数のバックボーンや最先端手法に統合できることが実証された。
• 参考スコア（独自算出の注目度）: 41.7947778898157
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ultrasound image classification is essential for computer-aided diagnosis. However, current methods often neglect clinical priors, leading to poor generalization in challenging scenarios and a lack of interpretability that limits clinical adoption. To address these issues, we aim to develop a medical-prior module that can be seamlessly integrated into existing pipelines to enhance both diagnostic performance and interpretability. In this paper, we propose an attribute-guided dual-branch framework for ultrasound classification that introduces domain-agnostic medical attribute priors, improving generalization while offering interpretable evidence. Specifically, a baseline branch follows conventional architectures and predicts image categories via a fully connected classifier. An attribute-guided branch injects domain-agnostic attributes as priors and produces human-interpretable decision cues. Finally, an adaptive decision module fuses the two branches in a data-dependent manner to yield the final prediction. Experiments across diverse ultrasound classification tasks demonstrate that our approach can be integrated into multiple backbones and state-of-the-art methods with low overhead, consistently improving accuracy and interpretability. Code is available at: https://github.com/zhaobo253-crypto/AttrGuide.
• Abstract（参考訳）: 超音波画像分類はコンピュータ支援診断に不可欠である。 しかし、現在の手法は、しばしば臨床上の先行性を無視し、挑戦的なシナリオにおける一般化の欠如と、臨床導入を制限する解釈可能性の欠如につながっている。 これらの問題に対処するため,既存のパイプラインにシームレスに統合し,診断性能と解釈可能性の両方を向上させる医療優先モジュールの開発を目標としている。 本稿では,領域に依存しない医療属性を優先的に導入し,解釈可能な証拠を提供しながら一般化を向上する,超音波分類のための属性誘導型デュアルブランチフレームワークを提案する。 具体的には、ベースラインブランチは従来のアーキテクチャに従い、完全に連結された分類器を介して画像カテゴリを予測する。 属性誘導ブランチは、先行属性としてドメインに依存しない属性を注入し、人間の解釈可能な決定キューを生成する。 最後に、適応決定モジュールは2つの分岐をデータ依存的に融合して最終予測を行う。 様々な超音波分類タスクを対象とした実験により,本手法を低オーバーヘッドで複数のバックボーンや最先端手法に統合し,精度と解釈性の向上が図られた。 コードは、https://github.com/zhaobo253-crypto/AttrGuide.comで入手できる。

関連論文リスト

• The Latent Diagnostic Taxonomy: A Framework for Constructing Classifiers and Diagnosing Their Decisions, Applied to Prompt Injection Detection [0.0]
  本稿では,分類器をセーフガード層として構築し,補完的な診断を行うためのフレームワークを提案する。 フレームワークを公開プロンプトインジェクションデータセットに適用すると、自信のある決定のかなりの部分が単一のトークンを削除しても堅牢ではないことが分かります。 分類学の各分野において、診断されたプロンプトを修復するための戦略を推奨する。
  論文  参考訳（メタデータ） (2026-08-26T21:55:15Z)
• Echo-α: Large Agentic Multimodal Reasoning Model for Ultrasound Interpretation [76.6507710204181]
  超音波解釈のためのエージェント型マルチモーダル推論モデルであるEcho-を提案する。 Echo-は臓器固有の検出出力を調整し、それらをグローバルな視覚的コンテキストに統合し、その結果の証拠を根拠となる診断決定に変換するように訓練されている。 以上の結果から, エージェントによるマルチモーダル推論は, 特定検出器を検証可能な臨床証拠にすることができることが示唆された。
  論文  参考訳（メタデータ） (2026-04-30T15:31:00Z)
• From Adaptation to Generalization: Adaptive Visual Prompting for Medical Image Segmentation [58.93075548229873]
  本稿では,学習可能なプロンプトメモリから入力固有のプロンプトを抽出するAdaptive Prompt Extractionフレームワークを提案する。 メモリは多様なドメイン識別プロンプト表現を格納し、フーリエスペクトルから抽出されたドメイン特徴を介してクエリされる。 2つのメディカルセグメンテーションタスクの実験により、APEXは、目に見えない領域と見えない領域の両方にわたる一般化を著しく改善することを示した。
  論文  参考訳（メタデータ） (2026-04-19T14:14:10Z)
• SPEGC: Continual Test-Time Adaptation via Semantic-Prompt-Enhanced Graph Clustering for Medical Image Segmentation [12.0982298854338]
  Continual Test-Time Adaptation (CTTA)は、トレーニング済みのモデルが、ラベルなしドメインの継続的な変更に適応できるようにすることを目的としている。 医用画像セグメンテーションのためのセマンティック・プロンプト拡張グラフクラスタリング(SPEGC)によるCTTAを提案する。
  論文  参考訳（メタデータ） (2026-03-12T03:22:43Z)
• UltrasoundAgents: Hierarchical Multi-Agent Evidence-Chain Reasoning for Breast Ultrasound Diagnosis [14.027321451902734]
  本稿では,UltrasoundAgentsと呼ばれる階層型マルチエージェントフレームワークを提案する。 メインエージェントは、全画像の病変をローカライズし、作物と動物園の操作をトリガーする。 サブエージェントは局所的な視点を分析し、エコー原性パターン、石灰化、境界タイプ、エッジ形態学の4つの臨床的特性を予測する。 メインエージェントは、これらの構造化属性を統合してエビデンスに基づく推論を行い、BI-RADSカテゴリと悪性度予測を出力し、レビュー可能な中間証拠を生成する。
  論文  参考訳（メタデータ） (2026-03-11T15:03:52Z)
• RAD: Towards Trustworthy Retrieval-Augmented Multi-modal Clinical Diagnosis [56.373297358647655]
  Retrieval-Augmented Diagnosis (RAD)は、下流タスクで直接マルチモーダルモデルに外部知識を注入する新しいフレームワークである。 RADは、複数の医療ソースからの疾患中心の知識の検索と改善、ガイドライン強化コントラスト損失トランスフォーマー、デュアルデコーダの3つの主要なメカニズムで機能する。
  論文  参考訳（メタデータ） (2025-09-24T10:36:14Z)
• MedVQA-TREE: A Multimodal Reasoning and Retrieval Framework for Sarcopenia Prediction [1.7775777785480917]
  MedVQA-TREEは階層的な画像解釈モジュール、ゲート機能レベルの融合機構、新しいマルチホップ・マルチクエリ検索戦略を統合したフレームワークである。 ゲート融合機構は、視覚的特徴をテキストクエリと選択的に統合し、臨床知識は、PubMedにアクセスするUMLS誘導パイプラインとサルコピア固有の外部知識ベースを介して検索する。 診断精度は99%まで向上し、従来の最先端の手法を10%以上上回った。
  論文  参考訳（メタデータ） (2025-08-26T13:31:01Z)
• Adversarial Hospital-Invariant Feature Learning for WSI Patch Classification [1.3955246652599635]
  本研究は,病原体モデル(PFM)における病原体の特徴から生じる領域バイアスに関する最初の体系的研究である。 本稿では,エンコーダ自体を変更することなく,凍った表現から潜伏する病院特有の特徴を除去する軽量な対向フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-20T15:25:16Z)
• Faithful, Interpretable Chest X-ray Diagnosis with Anti-Aliased B-cos Networks [13.303234049048426]
  B-cosネットワークは、標準線形層を重み入力アライメント機構で置き換えることで、有望なソリューションを提供する。 標準的なB-cosモデルは、説明地図の深刻なエイリアスに悩まされ、臨床用途には適さない。 FLCとBlurPoolを用いたアンチエイリアス戦略を導入し、説明品質を大幅に改善した。
  論文  参考訳（メタデータ） (2025-07-22T16:56:02Z)
• Domain Generalization for Medical Imaging Classification with Linear-Dependency Regularization [59.5104563755095]
  本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。 医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
  論文  参考訳（メタデータ） (2020-09-27T12:30:30Z)
• Collaborative Unsupervised Domain Adaptation for Medical Image Diagnosis [102.40869566439514]
  我々は、Unsupervised Domain Adaptation (UDA)を通じて、対象タスクにおける学習を支援するために、関連ドメインからの豊富なラベル付きデータを活用しようとしている。 クリーンなラベル付きデータやサンプルを仮定するほとんどのUDAメソッドが等しく転送可能であるのとは異なり、協調的教師なしドメイン適応アルゴリズムを革新的に提案する。 提案手法の一般化性能を理論的に解析し,医用画像と一般画像の両方で実験的に評価する。
  論文  参考訳（メタデータ） (2020-07-05T11:49:17Z)

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。