論文の概要: MSA-DCNN: A Data-Efficient Multi-Scale Deformable CNN for Medical Image Classification

• arxiv url: http://arxiv.org/abs/2607.06083v1
• Date: Tue, 07 Jul 2026 09:52:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.47541
• Title: MSA-DCNN: A Data-Efficient Multi-Scale Deformable CNN for Medical Image Classification
• Title（参考訳）: MSA-DCNN:医療画像分類のためのデータ効率の良いマルチスケール変形可能なCNN
• Abstract要約: 既存のディープラーニング手法は、固定サンプリングとデータハングリートレーニングにより、マルチスケールのモルフォロジーと限定アノテーションに苦しむ。 MSA-DCNNは、適応型マルチスケールサンプリング、大規模サリエンシ改善、学習用クロススケール融合、および統合最適化スキーム内での補助自己蒸留を導入する、スケール一貫性のある変形型アテンション学習フレームワークである。
• 参考スコア（独自算出の注目度）: 1.6566053195631467
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing deep learning methods perform well in medical image classification but struggle with multi-scale morphology and limited annotations due to fixed sampling and data-hungry training. Existing approaches address these challenges in isolation: DCN-based models provide adaptive sampling but lack explicit multi-scale attention fusion and label-efficient regularisation; multi-scale architectures typically rely on static fusion; and semi-supervised methods target label scarcity without jointly modelling adaptive cross-scale representations. We propose MSA-DCNN, a scale-consistent deformable attention learning framework that introduces adaptive multi-scale sampling, within-scale saliency refinement, learned cross-scale fusion, and auxiliary self-distillation within a unified optimisation scheme, with potential to generalise to structurally heterogeneous anatomy. We evaluate on three public benchmarks and an external hold-out set for leukaemia. MSA-DCNN demonstrates competitive and often better performance against ViT baselines, CNN baselines, and a MICCAI semi-supervised baseline under distribution shift and label scarcity in accuracy, F1, and AUC (binary), while using fewer parameters. Ablations confirm complementary component contributions, supporting MSA-DCNN as a practical foundation for data-efficient medical image classification.
• Abstract（参考訳）: 既存の深層学習法は, 医用画像分類において良好に機能するが, 固定サンプリングやデータハングリートレーニングによるマルチスケール形態学やアノテーションの制限に苦慮している。 DCNベースのモデルは適応サンプリングを提供するが、明示的なマルチスケールの注意融合とラベル効率の正則化を欠いている。 MSA-DCNNは、適応的な多スケールサンプリング、大規模サリエンシ改善、学習されたクロススケールフュージョン、統一最適化スキーム内の補助的な自己蒸留を導入し、構造的に不均一な解剖学に一般化する可能性を秘めている、スケール一貫性のある変形可能な注意学習フレームワークである。 我々は,3つの公的なベンチマークと,白血病に対する外部ホールドアウトセットについて検討した。 MSA-DCNNは、ViTベースライン、CNNベースライン、MICCAI半教師付きベースラインに対して、精度が低く、F1、AUC(バイナリ)が不足していることを示す。 データ効率のよい医用画像分類の実践的基盤として,MSA-DCNNが支援されている。

関連論文リスト

• Dementia Etiology Diagnosis via Collaborative Meta Knowledge Enhancement [81.27196033392559]
  認知症発症診断のための協調的メタ知識向上(COME)フレームワークを提案する。 COMEは、マルチセンタ取得セマンティクス、ソース識別子、モダリティインジケータを異種性を認識した埋め込みとして、スケールアップトレーニングのためにTransformerアーキテクチャに注入する。 本手法は,平均マクロ平均AUCが85.62%,最強ベースラインが4.29ポイント向上し,最先端のドメイン性能を実現する。
  論文  参考訳（メタデータ） (2026-07-24T04:26:47Z)
• PulmoSight-XAI: An Explainable Multi-View Attention Ensemble with Gradient Boosting Meta-Learning for Multi-Label Chest X-Ray Classification [1.2744523252873352]
  14の胸部病理の堅牢な分類のための説明可能な階層的多視点アンサンブルフレームワークを提案する。 このフレームワークは、フロントとサイドのラジオグラフィーを独立してモデル化することで、ビュー固有のトレーニングを採用する。 このフレームワークは最先端のマクロ平均AUROCスコアを前頭葉で0.9319、横線で0.9154と達成している。
  論文  参考訳（メタデータ） (2026-07-05T19:50:53Z)
• 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)
• SG-CLDFF: A Novel Framework for Automated White Blood Cell Classification and Segmentation [0.0]
  SG-CLDFF(Saliency-Guided Cross-Layer Deep Feature Fusion framework) 軽量なハイブリッドバックボーン(Swin-style)は、ResNeXt-CCinspired cross-layer fusion moduleによって融合されたマルチレゾリューション表現を生成する。 解釈性はGrad-CAMビジュアライゼーションと唾液濃度の整合性チェックを通じて実施され、モデル決定を地域レベルで検査することができる。
  論文  参考訳（メタデータ） (2025-10-20T08:07:39Z)
• Unleashing Vision Foundation Models for Coronary Artery Segmentation: Parallel ViT-CNN Encoding and Variational Fusion [12.839049648094893]
  冠動脈セグメンテーションは冠動脈疾患(CAD)のコンピュータ診断に重要である 並列符号化アーキテクチャを用いて,視覚基盤モデル(VFM)のパワーを利用する新しいフレームワークを提案する。 提案手法は, 精度の高い冠動脈セグメンテーションにおいて, 最先端の手法よりも優れ, 優れた性能を発揮する。
  論文  参考訳（メタデータ） (2025-07-17T09:25:00Z)
• Unbiased Max-Min Embedding Classification for Transductive Few-Shot Learning: Clustering and Classification Are All You Need [83.10178754323955]
  わずかなショットラーニングにより、モデルがいくつかのラベル付き例から一般化できる。 本稿では,Unbiased Max-Min Embedding Classification (UMMEC)法を提案する。 本手法は最小ラベル付きデータを用いて分類性能を著しく向上させ, 注釈付きLの最先端化を推し進める。
  論文  参考訳（メタデータ） (2025-03-28T07:23:07Z)
• Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
  本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。 本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。 実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T02:27:02Z)
• 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)
• Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
  本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。 我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。 多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-15T17:55:05Z)
• Multiple Instance Ensembling For Paranasal Anomaly Classification In The Maxillary Sinus [46.1292414445895]
  副鼻腔奇形は幅広い形態学的特徴を持つ。 副鼻腔異常分類への現在のアプローチは、一度に1つの異常を特定することに制約されている。 3次元畳み込みニューラルネットワーク(CNN)を用いて正常上顎骨(MS)とMSをポリープや嚢胞で分類する可能性を検討した。
  論文  参考訳（メタデータ） (2023-03-31T09:23:27Z)
• A Unified Framework for Generalized Low-Shot Medical Image Segmentation with Scarce Data [24.12765716392381]
  距離距離距離距離学習(DML)に基づく医用画像分割の一般化のための統一的枠組みを提案する。 DMLでは,各カテゴリの多モード混合表現を学習し,画素の深層埋め込みとカテゴリ表現との間の余弦距離に基づいて密接な予測を行う。 脳MRIおよび腹部CTデータセットの実験において,提案手法は標準DNN(3D U-Net)法と古典的登録(ANT)法に対して,低ショットセグメンテーションにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-10-18T13:01:06Z)
• 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)

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。