論文の概要: CPR: Chained Perceptual Refinement for Coarse-to-Fine Medical Image Classification

• arxiv url: http://arxiv.org/abs/2607.02591v1
• Date: Wed, 01 Jul 2026 07:31:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.342712
• Title: CPR: Chained Perceptual Refinement for Coarse-to-Fine Medical Image Classification
• Title（参考訳）: CPR : 医用画像の粗大な分類のための鎖状知覚再構成法
• Authors: Si-Yuan Lu, Hanruo Zhu, Ziquan Zhu, Gaojie Jin, Zeyu Fu, Lu Yin, Ke Li, Lu Liu, Tianjin Huang,
• Abstract要約: CPR(Chained Perceptual Refinement)は、医用画像解析を、局所的な意思決定プロセスのシーケンシャルなグローバル化として定式化する。 CPRは、アートベースラインの固定解像度とマルチスケール状態の両方を一貫して上回る。 また、GFLOPを19.6倍の精度で削減する。
• 参考スコア（独自算出の注目度）: 22.00070089093165
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High resolution medical images contain fine grained, spatially sparse cues that are critical for diagnosis, yet preserving full resolution incurs substantial computational and memory costs. Most deep models process images uniformly, leading to redundant computation or loss of diagnostic detail under downsampling. We propose Chained Perceptual Refinement, CPR, a coarse to fine framework that formulates medical image analysis as a sequential global to local decision process. Starting from a low resolution global view, CPR dynamically predicts the location and spatial extent of refinement regions, extracts high resolution evidence from the original image, and incrementally integrates it with global context. By keeping the backbone input size fixed while contracting the perceptual field, CPR preserves diagnostic fidelity with constant peak GPU memory. Extensive experiments on five medical imaging datasets and multiple backbone architectures demonstrate that CPR consistently outperforms both fixed resolution and multi scale state of the art baselines, achieving improvements of up to 2.27 percentage points over the second best method. It also achieves up to a 19.6 fold reduction in GFLOPs at matched accuracy, establishing a superior accuracy and efficiency trade off for high resolution medical image analysis. The code is available on GitHub.
• Abstract（参考訳）: 高解像度の医用画像には細粒度で空間的に疎い手がかりが含まれており、診断に不可欠であるが、完全な解像度保存は計算とメモリのコストを大幅に削減する。 ほとんどの深層モデルは画像を一様に処理し、冗長な計算やダウンサンプリングによる診断の詳細の喪失につながる。 医用画像解析を局所的決定過程の逐次的グローバル化として定式化する,粗大かつ微妙な枠組みであるCPRを提案する。 低解像度のグローバルビューから、CPRはリファインメント領域の位置と空間範囲を動的に予測し、元の画像から高解像度のエビデンスを抽出し、それをグローバルコンテキストと漸進的に統合する。 知覚野を収縮させながらバックボーンの入力サイズを一定に保つことにより、CPRは一定のピークGPUメモリで診断精度を維持する。 5つの医用画像データセットと複数のバックボーンアーキテクチャに関する大規模な実験により、CPRは固定解像度とマルチスケールの最先端のベースラインの両方を一貫して上回り、第2のベストメソッドよりも最大2.27ポイントの改善を実現している。 また、GFLOPを19.6倍の精度で削減し、高解像度の医用画像解析のための精度と効率のトレードオフを確立する。 コードはGitHubで入手できる。

関連論文リスト

• Resolution-Independent Neural Operators for Multi-Rate Sparse-View CT [67.14700058302016]
  深層学習手法は高忠実度再構成を実現するが、しばしば固定された取得設定に過度に適合する。 本稿では,連続関数空間に拡張したCT再構成フレームワークであるComputed Tomography Neural Operator (CTO)を提案する。 CTOは一貫性のあるマルチサンプリングレートとクロスレゾリューションのパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-12-13T08:31:46Z)
• Clustering-Based Low-Rank Matrix Approximation for Medical Image Compression [0.34376560669160394]
  適応的なLoRMAは、医療画像を重なり合うパッチに分割し、構造的に類似したパッチをk-meansを使ってクラスタにグループ化し、各クラスタ内でSVDを実行する。 我々は,MRI,超音波,CT,胸部X線という4つの画像モダリティのグローバルSVDに対する適応型LoRMAの評価と比較を行った。 その結果, 適応型 LoRMA はPSNR, SSIM, IoU, EPI, EPI で測定された構造的整合性, エッジ細部, 診断関連性を効果的に維持することが示された。
  論文  参考訳（メタデータ） (2025-05-13T06:10:05Z)
• HYATT-Net is Grand: A Hybrid Attention Network for Performant Anatomical Landmark Detection [17.290208035331734]
  医学的画像からの解剖学的ランドマーク検出(ALD)は、幅広い臨床応用に不可欠である。 CNNとTransformerを統合した新しいハイブリッドアーキテクチャを提案する。 5つの多様なデータセットの実験は、最先端のパフォーマンスを示し、精度、堅牢性、効率の既存の手法を超越している。
  論文  参考訳（メタデータ） (2024-12-09T13:58:00Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。 我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• Data-Consistent Local Superresolution for Medical Imaging [5.025654873456756]
  フルトモグラフィー画像の再構築後、臨床医は画像のいくつかの重要な部分が十分に明確でないと信じ、これらの領域をより透明にしたいと考えるかもしれない。 単純なアプローチ(推奨されない)では、高解像度画像のグローバルな再構築を行う。 本稿では,関心領域のズームインと精細化をリアルタイムに行うための反復モデルベース再構成アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-02-22T13:18:38Z)
• High Quality Segmentation for Ultra High-resolution Images [72.97958314291648]
  超高分解能セグメンテーション精錬作業のための連続精細モデルを提案する。 提案手法は画像分割精細化において高速かつ効果的である。
  論文  参考訳（メタデータ） (2021-11-29T11:53:06Z)
• PSGR: Pixel-wise Sparse Graph Reasoning for COVID-19 Pneumonia Segmentation in CT Images [83.26057031236965]
  画像中の新型コロナウイルス感染領域セグメンテーションの長距離依存性のモデリングを強化するために,PSGRモジュールを提案する。 PSGRモジュールは不正確なピクセルからノードへの投影を回避し、グローバルな推論のために各ピクセル固有の情報を保存する。 このソリューションは、3つの公開データセット上の4つの広く使われているセグメンテーションモデルに対して評価されている。
  論文  参考訳（メタデータ） (2021-08-09T04:58:23Z)
• Boosted EfficientNet: Detection of Lymph Node Metastases in Breast Cancer Using Convolutional Neural Network [6.444922476853511]
  The Convolutional Neutral Network (CNN) は乳癌のリンパ節転移の予測と分類に応用されている。 そこで本研究では,小さな解像度画像を容易にするためのRandom Center Cropping (RCC) という新しいデータ拡張手法を提案する。
  論文  参考訳（メタデータ） (2020-10-10T15:18:56Z)

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。