論文の概要: CFR-Net:Collaborative Feature Refnement Network for Medical Image Anomaly Detection

• arxiv url: http://arxiv.org/abs/2607.11509v1
• Date: Mon, 13 Jul 2026 12:59:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.475936
• Title: CFR-Net:Collaborative Feature Refnement Network for Medical Image Anomaly Detection
• Title（参考訳）: CFR-Net:医用画像異常検出のための協調的特徴改善ネットワーク
• Abstract要約: 本稿では,教師と学生の共用機能改善を組み合わさった協調的特徴認識ネットワーク(CFR-Net)を提案する。 医学ベンチマーク実験により、CFR-Netは、正常なデータに基づいてトレーニングすると、競合する異常分類と強力な異常なローカライゼーション性能を達成することが示された。
• 参考スコア（独自算出の注目度）: 23.30777405878389
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical image anomaly detection remains challenging because networks pretrained on natural images often exhibit limited adaptability to medical images, where abnormal patterns appear as fine-grained local shifts, multi-scale contextual mismatches, and orientation-sensitive structural deviations. To address this, we propose the Collaborative Feature Refinement Network (CFR-Net), which combines shared teacher-student feature refinement before decoding with cross-space consistency after decoding. CFR-Net refines frozen teacher features and trainable student features using a Multi-Path Feature Refinement Module (MPFRM) with shared parameters, imposing common multi-path refinement rules on generic visual references and representations adapted to the medical domain, thereby mitigating domain discrepancy while modeling local, multi-scale, and orientation-sensitive feature characteristics. A variance-sensitive objective and dynamic ``homework set'' reorganization further support layer-adaptive consistency learning. Experiments on medical benchmarks show that CFR-Net achieves competitive anomaly classification and strong anomaly localization performance when trained on normal data.
• Abstract（参考訳）: 自然画像に事前訓練されたネットワークは、微細な局所的な変化、マルチスケールのコンテキストミスマッチ、配向に敏感な構造偏差として異常パターンが現れる医療画像への適応性に制限があるため、医療画像の異常検出は依然として困難なままである。 そこで本研究では,復号化前の教師と学生の共用機能改善と,復号化後の空間間の整合性を組み合わせた協調的特徴再構成ネットワーク(CFR-Net)を提案する。 CFR-Netは、共有パラメータを持つMPFRM(Multi-Path Feature Refinement Module)を用いて、凍結した教師の特徴と訓練可能な学生の特徴を洗練し、医療領域に適応した一般的なビジュアル参照と表現に共通するマルチパス改善ルールを付与し、局所的、マルチスケール、および指向性の特徴をモデル化しながら、ドメインの不一致を緩和する。 差異に敏感な目的とダイナミックな‘ホームワークセット’の再編成は、層適応型一貫性学習をさらに支援します。 医学ベンチマーク実験により、CFR-Netは、正常なデータに基づいてトレーニングすると、競合する異常分類と強力な異常なローカライゼーション性能を達成することが示された。

関連論文リスト

• Input-Dependent Fisher Information for Local Sensitivity Analysis of Medical Image Classifiers [0.0]
  本稿では,入力依存型Fisher Information Matrixに基づく局所感度分析フレームワークを提案する。 従来のピクセル単位の属性熱マップではなく、局所的な予測感度のモデル固有の記述を提供する。 その結果、iFIMフレームワークは、局所的な決定感度を解析し、医用画像における既存の属性ベースの解釈可能性手法を補完する原則的なツールとしてサポートされた。
  論文  参考訳（メタデータ） (2026-06-15T07:57:50Z)
• 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)
• TGC-Net: A Structure-Aware and Semantically-Aligned Framework for Text-Guided Medical Image Segmentation [56.09179939570486]
  本稿では,パラメータ効率,タスク固有適応に着目したCLIPベースのフレームワークであるTGC-Netを提案する。 TGC-Netは、挑戦的なベンチマークで顕著なDiceゲインを含む、トレーニング可能なパラメータをかなり少なくして、最先端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） (2025-12-24T12:06:26Z)
• Multimodal Causal-Driven Representation Learning for Generalizable Medical Image Segmentation [56.52520416420957]
  医用画像セグメンテーションにおける領域一般化に取り組むために, MCDRL(Multimodal Causal-Driven Representation Learning)を提案する。 MCDRLは競合する手法より一貫して優れ、セグメンテーション精度が優れ、堅牢な一般化性を示す。
  論文  参考訳（メタデータ） (2025-08-07T03:41:41Z)
• Disruptive Autoencoders: Leveraging Low-level features for 3D Medical Image Pre-training [51.16994853817024]
  本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。 ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。 提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-07-31T17:59:42Z)
• Segmentation-Renormalized Deep Feature Modulation for Unpaired Image Harmonization [0.43012765978447565]
  サイクル一貫性のある生成共役ネットワークは、ソースとターゲットドメイン間のイメージセットの調和に使われてきた。 これらの手法は、不安定性、コントラストの逆転、病理の難治性操作、および実際の医用画像における信頼性を制限したステガノグラフィーマッピングの傾向が強い。 解剖学的レイアウトを維持しながらスキャナ間の調和を低減するセグメンテーション正規化画像翻訳フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-11T23:53:51Z)
• 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)
• Studying Robustness of Semantic Segmentation under Domain Shift in cardiac MRI [0.8858288982748155]
  複数の臨床センターやスキャナーベンダーからの画像間でのドメイン転送の課題と機会について検討する。 本研究では、nnU-netフレームワークによって構成された固定されたU-Netアーキテクチャに基づいて、様々なデータ拡張手法とバッチ正規化層について検討する。
  論文  参考訳（メタデータ） (2020-11-15T17:50:23Z)
• Max-Fusion U-Net for Multi-Modal Pathology Segmentation with Attention and Dynamic Resampling [13.542898009730804]
  関連するアルゴリズムの性能は、マルチモーダル情報の適切な融合によって大きく影響を受ける。 We present the Max-Fusion U-Net that achieve a improve pathology segmentation performance。 マルチシーケンスCMRデータセットを併用したMyoPS(Myocardial pathology segmentation)を用いて,本手法の評価を行った。
  論文  参考訳（メタデータ） (2020-09-05T17:24:23Z)
• Collaborative Boundary-aware Context Encoding Networks for Error Map Prediction [65.44752447868626]
  本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。 具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。 AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
  論文  参考訳（メタデータ） (2020-06-25T12:42:01Z)
• Unsupervised Bidirectional Cross-Modality Adaptation via Deeply Synergistic Image and Feature Alignment for Medical Image Segmentation [73.84166499988443]
  我々は、Synergistic Image and Feature Alignment (SIFA)と名付けられた新しい教師なしドメイン適応フレームワークを提案する。 提案するSIFAは、画像と特徴の両方の観点から、ドメインの相乗的アライメントを行う。 2つの異なるタスクに対する実験結果から,SIFA法は未ラベル対象画像のセグメンテーション性能を向上させるのに有効であることが示された。
  論文  参考訳（メタデータ） (2020-02-06T13:49:47Z)

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。