論文の概要: Adaptive Routing for Efficient Diffusion Transformer-Based PNI Prediction

• arxiv url: http://arxiv.org/abs/2607.11533v1
• Date: Mon, 13 Jul 2026 13:18:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.481025
• Title: Adaptive Routing for Efficient Diffusion Transformer-Based PNI Prediction
• Title（参考訳）: 効率的な拡散変圧器を用いたPNI予測のための適応ルーティング
• Abstract要約: 肝門部浸潤(PNI)は胆管癌における重要な予後因子である。 従来の畳み込みニューラルネットワークは、長距離空間的手がかりを捉える場合に限られている。 Transformer-based MRIは、空間的に分散された文脈的手がかりを集約することにより、ボリュームのグローバルなモデリングを改善する。
• 参考スコア（独自算出の注目度）: 9.156688576258206
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Perineural invasion (PNI) is a critical prognostic factor in cholangiocarcinoma. However, its preoperative prediction from magnetic resonance imaging (MRI) remains challenging due to subtle imaging features that extend beyond tumor boundaries into surrounding regions. Conventional convolutional neural networks are limited in capturing long-range spatial dependencies. Transformer-based architectures improve global modeling of volumetric MRI by aggregating spatially distributed contextual cues, yet capturing subtle and noise-sensitive patterns in peritumoral regions remains challenging. Diffusion-based classifiers offer an alternative formulation by leveraging denoising-based class scoring to better capture such subtle patterns. However, these approaches introduce substantial computational overhead due to the combination of transformer-based modeling and iterative denoising processes. To address these challenges, we formulate PNI prediction as a diffusion-based classification problem and implement the denoising network using a transformer-based representation. To improve computational efficiency, we introduce adaptive routing across attention heads, spatial tokens, and MLP width. Experimental results demonstrate that the proposed approach achieves an AUC of 0.731 with 257.57 GFLOPs.
• Abstract（参考訳）: 肝門部浸潤(PNI)は胆管癌における重要な予後因子である。 しかし、MRI(MRI)による術前の予測は、腫瘍の境界を越えて周囲の領域に広がる微妙な画像特徴のため、いまだに困難である。 従来の畳み込みニューラルネットワークは、長距離空間依存の捕捉に限られている。 変圧器をベースとしたアーキテクチャは,空間的に分散した文脈的手がかりを集約することで,体積MRIのグローバルなモデリングを改善するが,微妙で雑音に敏感なパターンを微妙に捉えることは困難である。 拡散に基づく分類器は、これらの微妙なパターンをよりよく捉えるために、微分に基づくクラススコアを活用することで、代替の定式化を提供する。 しかし、これらの手法は、トランスフォーマーに基づくモデリングと反復的デノベーションプロセスの組み合わせにより、かなりの計算オーバーヘッドをもたらす。 これらの課題に対処するため、拡散に基づく分類問題としてPNI予測を定式化し、トランスフォーマーに基づく表現を用いて認知ネットワークを実装する。 計算効率を向上させるために,アテンションヘッド,空間トークン,MLP幅の適応ルーティングを導入する。 実験の結果,提案手法は257.57 GFLOPsのAUCが0.731であることがわかった。

関連論文リスト

• Bridging Vision Foundation Model Priors with CLIP for Spatial-aware Few-shot Anomaly Detection in Medical Images [48.646448077284276]
  本研究では,数発の医用異常検出を効果的に行うためのフレームワークであるSpatial-FADを提案する。 VFM空間先行とCLIPセマンティクスを組み合わせることで病変の局在を改善する。 本手法は,Diceスコアが11.4%,AUCが1.8%以上の平均改善を実現している。
  論文  参考訳（メタデータ） (2026-09-11T05:21:01Z)
• Enhancing MRI Brain Tumor Edge Detection: A Hybrid Preprocessing Approach Utilizing CLAHE [0.0]
  磁気共鳴画像(MRI)における脳腫瘍の正確な境界線決定は重要な課題である。 従来のエッジ検出アルゴリズムは計算的に軽量で数学的に解釈可能であるが、しばしば浮腫の局所的境界の拡散を捉えることに失敗する。 これらの制限を克服するために,ハイブリッドなエッジ検出パイプラインを提案する。
  論文  参考訳（メタデータ） (2026-08-27T22:30:32Z)
• SHFormer: Dynamic Spectral Filtering Convolutional Neural Network and High-pass Kernel Generation Transformer for Adaptive MRI Reconstruction [3.520703534171746]
  スケーラブルなMRI再構成のためのニューロ変調に基づく識別型マルチスペクトルAMを提案する。 提案手法は,PSNRでは1dB,SSIMでは0.01の改善率を持つスケーラブルで高品質な再構成を実現する。
  論文  参考訳（メタデータ） (2026-07-22T13:55:27Z)
• LoSA-Net: A Localized and Scale-Adaptive Network for Boundary-Sensitive Prediction of Perineural Invasion in 3D MRI [10.952583431192279]
  3次元MRIにおける境界感応性PNI予測のための局所的・大規模適応型アーキテクチャであるLoSA-Netを提案する。 TNA(Talking Neighborhood Attention)は,局所的自己注意と頭部混合による神経側細部を保存し,SAFM(Scale-Adaptive Feature Mixing)は多スケール深度処理を用いて受容野を変調する。 胆管癌168例の造影MRIスキャンでは、LoSA-NetはAUC0.7567を達成し、マッチした前処理と最適化設定の下で、代表的畳み込みとトランスフォーマーベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-07-13T01:31:01Z)
• Towards Generalized Image Manipulation Localization via Score-based Model [38.03898206912958]
  IMLにスコアベース生成モデルを導入する新しいフレームワークであるDiffIMLを提案する。 この定式化の下では、拡散モデルは学習したスコア関数の効果的な数値解法として機能する。 8つの非生成的および3つの生成的ベンチマークの実験は、DiffIMLが一貫して最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2026-05-16T08:39:54Z)
• DiffNR: Diffusion-Enhanced Neural Representation Optimization for Sparse-View 3D Tomographic Reconstruction [42.4365911571903]
  本稿では,拡散前のNR最適化を向上する新しいフレームワークであるDiffNRを提案する。 コアとなるSliceFixerは、分解したスライスのアーティファクトを修正するために設計された1ステップの拡散モデルである。 実験では、DiffNRはPSNRを平均3.99dB改善し、ドメイン間でよく一般化し、効率的な最適化を維持している。
  論文  参考訳（メタデータ） (2026-04-23T10:27:54Z)
• PolarMAE: Efficient Fetal Ultrasound Pre-training via Semantic Screening and Polar-Guided Masking [47.59361789212719]
  PolarMAEは、米国の画像用に設計された、新しくて効率的な事前トレーニングフレームワークである。 連続走査冗長性を軽減するために,プログレッシブ・ビジュアル・セマンティック・スクリーニングを導入する。 また,極テクスチャ協調型マスキングを提案する。
  論文  参考訳（メタデータ） (2026-04-17T09:45:04Z)
• Stochastic Generative Plug-and-Play Priors [9.429516239444922]
  プラグイン・アンド・プレイ(M)法は,デノイザを最適化アルゴリズムに組み込むことで,逆画像問題の解決に広く用いられている。 スコアベース拡散モデル (SBDM) は近年, 様々なレベルにわたって訓練されたデノイザーを用いて, 強力な生成性能を示した。 逆拡散サンプリングに頼ることなく、フレームワーク内でSBDMを事前に体系的に使用する方法は不明だ。
  論文  参考訳（メタデータ） (2026-04-04T06:14:38Z)
• Search-Augmented Masked Diffusion Models for Constrained Generation [47.47350674873298]
  Search-Augmented Masked Diffusion (SearchDiff)は、インフォメーションサーチを直接リバース・デノイング・プロセスに統合するトレーニング不要なニューロシンボリック推論フレームワークである。 SearchDiffは制約満足度とプロパティの定着性を大幅に改善し、離散拡散と自己回帰ベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-02-02T19:43:25Z)
• NNDM: NN_UNet Diffusion Model for Brain Tumor Segmentation [0.0]
  本稿では,NN-UNet の頑健な特徴抽出と拡散確率モデルの生成機能を統合するハイブリッドフレームワーク NNDM (NN_UNet Diffusion Model) を提案する。 提案手法では, NN-UNet が生成するセグメンテーションマスクを, 予測マスクと接地トラスマスクの残差分布を学習することにより, 段階的に改良する。 BraTS 2021データセットで行った実験は、NNDMが従来のU-Netやトランスフォーマーベースラインよりも優れた性能を発揮することを示した。
  論文  参考訳（メタデータ） (2025-10-08T22:19:08Z)
• Diffusion Models for Solving Inverse Problems via Posterior Sampling with Piecewise Guidance [52.705112811734566]
  断片的なガイダンススキームを用いて,逆問題を解決するための新しい拡散型フレームワークが導入された。 提案手法は問題に依存しず,様々な逆問題に容易に適応できる。 このフレームワークは, (4時間), (8時間) の超分解能タスクに対して, (23%), (24%) および (24%) の無作為マスクを塗布する場合の (25%) の推論時間を短縮する。
  論文  参考訳（メタデータ） (2025-07-22T19:35:14Z)
• DPER: Diffusion Prior Driven Neural Representation for Limited Angle and Sparse View CT Reconstruction [45.00528216648563]
  Diffusion Prior Driven Neural Representation (DPER) は、異常に不適切なCT再構成逆問題に対処するために設計された、教師なしのフレームワークである。 DPERは、半二次分割法(HQS)アルゴリズムを採用し、逆問題からデータ忠実度とサブプロブレム前の分布に分解する。 LACTにおけるDPERの性能評価と2つの公開データセットを用いた超SVCT再構成に関する総合的な実験を行った。
  論文  参考訳（メタデータ） (2024-04-27T12:55:13Z)
• ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
  大腸内視鏡検査は臨床診断や治療に不可欠である。 注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。 本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
  論文  参考訳（メタデータ） (2023-09-03T07:55:46Z)
• Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
  機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。 発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。 ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2023-05-18T06:54:56Z)
• DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [80.20339155618612]
  DiffusionADは、再構成サブネットワークとセグメンテーションサブネットワークからなる、新しい異常検出パイプラインである。 高速なワンステップデノゲーションパラダイムは、同等の再現品質を維持しながら、数百倍の加速を達成する。 異常の出現の多様性を考慮し、複数のノイズスケールの利点を統合するためのノルム誘導パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-03-15T16:14:06Z)

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。