論文の概要: Learning To Focus: Anatomy-Guided Attention Regularization for Medical Image Classification
- arxiv url: http://arxiv.org/abs/2607.10851v1
- Date: Sun, 12 Jul 2026 17:26:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 15:40:48.554999
- Title: Learning To Focus: Anatomy-Guided Attention Regularization for Medical Image Classification
- Title（参考訳）: 焦点の学習:医学画像分類のための解剖誘導注意規則化
- Abstract要約: Locusは、解剖学的(地上)と背景領域の間の注意のバランスをとる正規化フレームワークである。
皮膚内視鏡,X線,病理組織学,心臓MRIを対象とする8種類の医用画像データセットについてLocusを検証した。
- 参考スコア（独自算出の注目度）: 1.2081034098848615
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Medical image classification models are ideally expected to identify diagnostically relevant regions while making predictions, yet standard classification losses rarely provide spatial supervision. Explicit supervision via anatomical shape information, such as segmentation masks of task-relevant anatomy, has been shown to guide the network toward regions relevant to the target prediction. However, obtaining such masks incurs substantial manual annotation effort and computational overhead. With the advent of segmentation foundation models that exhibit strong localization of anatomical structures across diverse imaging modalities, we leverage this capability to extract anatomical shape priors without the burden of training a dedicated segmentation model. In this paper, we propose a new framework, Locus, an anatomical attention regularization framework that leverages pretrained segmentation foundation models to guide a classifier's attention toward diagnostically meaningful anatomical structures across diverse imaging modalities. Instead of enforcing pixel-wise alignment with the foundation-model-derived mask, we introduce a regularization term that adaptively balances attention between anatomical (foreground) and background regions, penalizing the classifier when background attention dominates. We validate Locus on eight diverse medical imaging datasets spanning dermoscopy, X-ray, histopathology, and cardiac MRI, showing consistent gains in classification performance alongside improved anatomically grounded attention.
- Abstract（参考訳）: 医用画像分類モデルは、診断に関連のある領域を予測しながら識別することが理想的であるが、標準的な分類損失は空間的な監督にはほとんど役に立たない。
課題関連解剖学のセグメンテーションマスクなどの解剖学的形状情報による明示的監視は、標的予測に関連する領域へネットワークを誘導する。
しかし、このようなマスクを取得すると、かなりの手作業による注釈処理と計算オーバーヘッドが発生する。
多様な画像モダリティにまたがる解剖学的構造の強い局在を示すセグメンテーション基礎モデルの出現に伴い、我々は、専用のセグメンテーションモデルを訓練する負担を伴わずに、解剖学的形状を抽出する能力を活用している。
本稿では,分類器の注意を診断的に意味のある解剖学的構造へ導くために,事前訓練されたセグメンテーション基盤モデルを活用する,解剖学的注意規則化フレームワークであるLocusを提案する。
基礎モデル由来のマスクに画素ワイドなアライメントを施す代わりに,解剖学的(地上)と背景領域の注意を適応的にバランスさせる正規化用語を導入し,背景の注意が支配されるときに分類器を罰する。
皮膚内視鏡,X線像,病理組織像,心臓MRIを対象とする8種類の医用画像データセット上でLocusの有効性を検証し,解剖学的基盤の整備とともに分類性能が一貫した向上を示した。
関連論文リスト
- Anatomy-Anchored Self-Supervision: Distilling Vision Foundation Models for Invariant Ultrasound Representation [29.61647712180762]
自己指導型事前訓練パラダイムは, 医用画像における伝達可能な表現の学習において, 優位性を高めている。
一般的な視覚領域から臨床的に有意な解剖構造へ表現学習を移行させる解剖学的アンコール超音波自己監督フレームワークANAUSを提案する。
論文 参考訳（メタデータ） (2026-05-25T03:52:58Z) - Self-Supervised Anatomical Consistency Learning for Vision-Grounded Medical Report Generation [61.350584471060756]
医用画像の臨床的に正確な記述を作成することを目的とした医用レポート生成。
本稿では, 自己監督型解剖学的一貫性学習(SS-ACL)を提案し, 生成された報告を対応する解剖学的領域と整合させる。
SS-ACLは、ヒト解剖学の不変のトップダウン包摂構造にインスパイアされた階層的な解剖学的グラフを構築する。
論文 参考訳（メタデータ） (2025-09-30T08:59:06Z) - GRASPing Anatomy to Improve Pathology Segmentation [67.98147643529309]
本稿では,病的セグメンテーションモデルを強化するモジュール型プラグイン・アンド・プレイフレームワークGRASPを紹介する。
2つのPET/CTデータセット上でGRASPを評価し、系統的アブレーション研究を行い、フレームワークの内部動作について検討する。
論文 参考訳（メタデータ） (2025-08-05T12:26:36Z) - PathSegDiff: Pathology Segmentation using Diffusion model representations [63.20694440934692]
そこで我々は,Latent Diffusion Models (LDMs) を事前学習した特徴抽出器として活用する,病理組織像分割の新しい手法であるPathSegDiffを提案する。
本手法は,H&E染色組織像から多彩な意味情報を抽出するために,自己教師型エンコーダによって誘導される病理特異的LCMを用いる。
本実験は,BCSSおよびGlaSデータセットにおける従来の手法よりも大幅に改善されたことを示す。
論文 参考訳（メタデータ） (2025-04-09T14:58:21Z) - Anatomy-guided Pathology Segmentation [56.883822515800205]
本研究では, 解剖学的特徴と病理学的情報を組み合わせた汎用的セグメンテーションモデルを構築し, 病理学的特徴のセグメンテーション精度を高めることを目的とする。
我々の解剖学・病理学交流(APEx)訓練では,ヒト解剖学の問合せ表現に結合特徴空間をデコードする問合せベースのセグメンテーション変換器を用いている。
これにより、FDG-PET-CTとChest X-Rayの病理分類タスクにおいて、強力なベースライン法に比べて最大3.3%のマージンで、ボード全体で最高の結果を報告できる。
論文 参考訳（メタデータ） (2024-07-08T11:44:15Z) - Explanations of Classifiers Enhance Medical Image Segmentation via
End-to-end Pre-training [37.11542605885003]
医用画像セグメンテーションは、ディープニューラルネットワークを用いて、胸部X線写真などの医用画像の異常な構造を特定し、発見することを目的としている。
我々の研究は、よく訓練された分類器から説明を集め、セグメンテーションタスクの擬似ラベルを生成する。
次に、インテグレート・グラディエント(IG)法を用いて、分類器から得られた説明を蒸留し、強化し、大規模診断指向のローカライゼーション・ラベル(DoLL)を生成する。
これらのDLLアノテーション付き画像は、新型コロナウイルス感染症、肺、心臓、鎖骨などの下流のセグメンテーションタスクのために、モデルを微調整する前に事前訓練するために使用される。
論文 参考訳（メタデータ） (2024-01-16T16:18:42Z) - Towards Automated Semantic Segmentation in Mammography Images [0.0]
乳頭, 胸部筋, 線維腺組織, 脂肪組織を, 標準乳房造影画像で区分けするための深層学習ベースの枠組みを提案する。
論文 参考訳（メタデータ） (2023-07-18T15:04:42Z) - Region-based Contrastive Pretraining for Medical Image Retrieval with
Anatomic Query [56.54255735943497]
医用画像検索のための地域別コントラスト事前トレーニング(RegionMIR)
医用画像検索のための領域ベースコントラスト事前トレーニング(RegionMIR)について紹介する。
論文 参考訳（メタデータ） (2023-05-09T16:46:33Z) - Anatomy X-Net: A Semi-Supervised Anatomy Aware Convolutional Neural
Network for Thoracic Disease Classification [3.888080947524813]
この研究は、解剖学的注意に基づくアーキテクチャAnatomy X-Netを提案する。
事前に同定された解剖学的領域によって導かれる空間的特徴を優先する。
提案手法は,AUCスコアが0.8439のNIHテストセットに対して,新しい最先端性能を設定できる。
論文 参考訳（メタデータ） (2021-06-10T17:01:23Z) - Multi-Structure Deep Segmentation with Shape Priors and Latent
Adversarial Regularization [0.5249805590164902]
MR画像における多構造骨変形の深層学習に基づく正規化セグメンテーション法を提案する。
新たに考案した形状コード判別器に基づき,本手法は深層ネットワークに解剖学の学習可能な形状表現に従うよう強制する。
本研究は足関節および肩関節からの2つの小児筋骨格イメージングデータセットにおける術中正規化法と比較した。
論文 参考訳（メタデータ） (2021-01-25T15:43:40Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳（メタデータ） (2020-12-10T04:01:07Z)
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。