論文の概要: Performance Benchmarking and Optimisation of Clustering Algorithms for Local and Non-Local Similarity Measure in Medical Image Analysis

• arxiv url: http://arxiv.org/abs/2607.09821v1
• Date: Fri, 10 Jul 2026 08:33:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.208291
• Title: Performance Benchmarking and Optimisation of Clustering Algorithms for Local and Non-Local Similarity Measure in Medical Image Analysis
• Title（参考訳）: 医用画像解析における局所的・非局所的類似度測定のためのクラスタリングアルゴリズムの性能ベンチマークと最適化
• Abstract要約: 本稿では、非局所的な自己相似性を利用して、医用画像の構造的に類似した領域を識別するクラスタリング技術に焦点を当てる。 k-means, mini-batch k-means, agglomerative hierarchical clustering, balanced iterative reduction and clustering using hierarchies (BIRCH), bisecting k-means across MRI, Ultra, and chest X-ray modalities。
• 参考スコア（独自算出の注目度）: 0.34376560669160394
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical imaging generates high-resolution images posing significant storage, transmission, and computational challenges. While low-rank matrix approximation (LoRMA) techniques offer efficient compression by exploiting structural redundancy, global approaches often fail to preserve local details critical for diagnosis. This paper focuses on clustering techniques that exploit non-local self-similarity to identify structurally similar regions in medical images. These clusters can be used for post-processing tasks such as adaptive image compression. We evaluate five clustering techniques: k-means, mini-batch k-means, agglomerative hierarchical clustering, balanced iterative reducing and clustering using hierarchies (BIRCH), and bisecting k-means across MRI, ultrasound, and chest X-ray modalities. All clustering techniques were optimised using random search, and cluster quality was assessed using the Silhouette score, the Davies-Bouldin (DB) index, and the Calinski-Harabasz (CH) index. Results demonstrate that standard k-means and bisecting k-means generally achieve strong cluster cohesion and separation across modalities. However, they tend to form a small number of clusters with high intra-cluster variability, limiting their effectiveness for post-processing tasks such as adaptive compression. Agglomerative clustering outperformed other techniques for MRI and ultrasound in terms of intra-cluster homogeneity, making it more suitable for preserving fine diagnostic details. For chest X-rays, mini-batch k-means achieved the best balance between clustering quality and intra-cluster compactness. BIRCH consistently underperformed across all modalities.
• Abstract（参考訳）: 医用画像は、重要な記憶、伝達、計算上の課題を呈する高解像度画像を生成する。 低ランク行列近似(LoRMA)技術は構造的冗長性を利用して効率的な圧縮を提供するが、グローバルアプローチは診断に不可欠な局所的な詳細を保存できないことが多い。 本稿では、非局所的な自己相似性を利用して、医用画像の構造的に類似した領域を識別するクラスタリング技術に焦点を当てる。 これらのクラスタは、適応的な画像圧縮のような後処理タスクに使用できる。 k-means, mini-batch k-means, agglomerative hierarchical clustering, balanced iterative reduction and clustering using hierarchies (BIRCH), bisecting k-means across MRI, Ultra, and chest X-ray modalities。 全てのクラスタリング手法をランダム検索を用いて最適化し,Silhouetteスコア,Davies-Bouldin(DB)指標,Calinski-Harabasz(CH)指標を用いてクラスタ品質を評価した。 結果は、標準のk平均と二分するk平均が、一般的に強いクラスターの凝集とモダリティ間の分離を達成することを示した。 しかし、クラスタ内の変動性の高い少数のクラスタを形成し、適応圧縮のような後処理タスクの有効性を制限する傾向にある。 アグロメティブクラスタリングは、クラスタ内均一性の観点からMRIや超音波の他の技術よりも優れており、より詳細な診断の保存に適している。 胸部X線では, クラスタリング品質とクラスタ内コンパクトさのバランスが良好であった。 BIRCHはすべてのモダリティで一貫して性能が劣った。

関連論文リスト

• CavMerge: Merging K-means Based on Local Log-Concavity [2.579311291240392]
  K平均クラスタリングは、非線形分離データに適用した場合、最適以下の性能を示すことが知られている。 本稿では,新しいK平均マージアルゴリズムであるemphCavMergeについて述べる。
  論文  参考訳（メタデータ） (2026-04-05T22:47:36Z)
• Convex Clustering Redefined: Robust Learning with the Median of Means Estimator [22.614296433333106]
  コンベックスクラスタリングをMedian of Means (MoM) 推定器と統合するロバストなアプローチを導入する。 提案手法は,特に大規模データセットにおいて,性能と効率を両立させる。
  論文  参考訳（メタデータ） (2025-11-12T21:16:53Z)
• Accelerating Spectral Clustering under Fairness Constraints [56.865810822418744]
  本研究では,Fair SC問題を凸関数(DC)フレームワークの差内にキャストすることで,フェアスペクトルクラスタリング(Fair SC)のための新しい効率的な手法を提案する。 本研究では,各サブプロブレムを効率よく解き,計算効率が先行処理よりも高いことを示す。
  論文  参考訳（メタデータ） (2025-06-09T18:46:27Z)
• K*-Means: A Parameter-free Clustering Algorithm [55.20132267309382]
  k*-meansは、kや他のパラメータをセットする必要がない新しいクラスタリングアルゴリズムである。 最小記述長の原理を用いて、クラスタの分割とマージによって最適なクラスタ数k*を自動的に決定する。 k*-平均が収束することが保証されることを証明し、kが未知のシナリオにおいて既存のメソッドよりも著しく優れていることを実験的に証明する。
  論文  参考訳（メタデータ） (2025-05-17T08:41:07Z)
• Self-Supervised Graph Embedding Clustering [70.36328717683297]
  K-means 1-step dimensionality reduction clustering method は,クラスタリングタスクにおける次元性の呪いに対処する上で,いくつかの進歩をもたらした。 本稿では,K-meansに多様体学習を統合する統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-24T08:59:51Z)
• Fuzzy K-Means Clustering without Cluster Centroids [21.256564324236333]
  ファジィK平均クラスタリングは教師なしデータ分析において重要な手法である。 本稿では,クラスタセントロイドへの依存を完全に排除する,ファジィテクストK-Meansクラスタリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-04-07T12:25:03Z)
• Rethinking k-means from manifold learning perspective [122.38667613245151]
  平均推定なしで直接データのクラスタを検出する新しいクラスタリングアルゴリズムを提案する。 具体的には,バタワースフィルタを用いてデータ点間の距離行列を構成する。 異なる視点に埋め込まれた相補的な情報をうまく活用するために、テンソルのSchatten p-norm正規化を利用する。
  論文  参考訳（メタデータ） (2023-05-12T03:01:41Z)
• Local Sample-weighted Multiple Kernel Clustering with Consensus Discriminative Graph [73.68184322526338]
  マルチカーネルクラスタリング(MKC)は、ベースカーネルの集合から最適な情報融合を実現するためにコミットされる。 本稿では,新しい局所サンプル重み付きマルチカーネルクラスタリングモデルを提案する。 実験により, LSWMKCはより優れた局所多様体表現を有し, 既存のカーネルやグラフベースのクラスタリングアルゴリズムよりも優れていた。
  論文  参考訳（メタデータ） (2022-07-05T05:00:38Z)
• Scalable Hierarchical Agglomerative Clustering [65.66407726145619]
  既存のスケーラブルな階層的クラスタリング手法は、スピードの質を犠牲にする。 我々は、品質を犠牲にせず、数十億のデータポイントまでスケールする、スケーラブルで集約的な階層的クラスタリング法を提案する。
  論文  参考訳（メタデータ） (2020-10-22T15:58:35Z)
• Simple and Scalable Sparse k-means Clustering via Feature Ranking [14.839931533868176]
  直感的で実装が簡単で,最先端のアルゴリズムと競合する,スパースk平均クラスタリングのための新しいフレームワークを提案する。 本手法は,属性のサブセットのクラスタリングや部分的に観測されたデータ設定など,タスク固有のアルゴリズムに容易に一般化できる。
  論文  参考訳（メタデータ） (2020-02-20T02:41:02Z)

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。