論文の概要: Analyzing Image Encoder Choices and Graph Homophily in GCN Frameworks for Breast Ultrasound Classification
- arxiv url: http://arxiv.org/abs/2607.12054v2
- Date: Wed, 15 Jul 2026 02:46:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-16 12:21:59.492206
- Title: Analyzing Image Encoder Choices and Graph Homophily in GCN Frameworks for Breast Ultrasound Classification
- Title（参考訳）: 乳房超音波分類のためのGCNフレームワークにおける画像エンコーダ選択とグラフホモフィリーの解析
- Authors: Sabahattin Mert Daloglu, Ceren Coskun, Harvey Castro, Soner Hacihaliloglu, Ilker Hacihaliloglu,
- Abstract要約: グラフ畳み込みネットワーク(GCN)は、類似の患者サンプル間の関係を利用して、有望なアプローチとして登場した。
画像エンコーダの選択がグラフ構築および下流分類性能にどのように影響するかは、まだ不明である。
GCNを用いた乳房超音波分類のための畳み込みおよび変圧器を用いた5つの画像エンコーダを体系的に評価した。
- 参考スコア（独自算出の注目度）: 2.923191210483637
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Breast ultrasound is widely used for screening, yet automated analysis remains challenging due to speckle noise, acquisition variability, and weak separation of benign and malignant cases in standard ultrasound imaging. Graph convolutional networks (GCNs) have recently emerged as a promising approach by leveraging relationships among similar patient samples. However, it remains unclear how the choice of image encoder influences graph construction and downstream classification performance. In this work, we systematically evaluate five image encoders spanning convolutional and transformer-based architectures for GCN-based breast ultrasound classification. Image embeddings are used to construct cosine similarity k-nearest-neighbor graphs, which are classified using a single-layer GCN with a linear classification head. Across three patientwise cross-validation folds, higher-capacity encoders consistently improve graph homophily and downstream classification performance, yielding gains in accuracy, AUC, sensitivity, specificity, and F1-score. Moreover, test-set graph homophily exhibits a strong linear correlation with classification accuracy, with higher-capacity encoders consistently occupying the high-homophily, high-accuracy region suggesting that encoder-driven improvements in graph structure are a key mechanism underlying the observed performance gains. These findings establish encoder selection as a critical factor in graph-based breast ultrasound classification and identify graph homophily as a key indicator linking representation quality to downstream classification performance.
- Abstract（参考訳）: 乳房超音波は検診に広く用いられているが, スペックルノイズ, 取得性, 良性および悪性の鑑別が不十分なため, 自動解析は依然として困難である。
グラフ畳み込みネットワーク (GCNs) は近年, 類似の患者サンプル間の関係を利用して, 有望なアプローチとして出現している。
しかし,画像エンコーダの選択がグラフの構成や下流の分類性能にどのように影響するかは不明である。
本研究は,GCNを用いた乳房超音波分類のための畳み込み型および変圧器型アーキテクチャにまたがる5つの画像エンコーダを系統的に評価する。
画像埋め込みは、線形分類ヘッドを持つ単層GCNを用いて分類されたk-nearest-neighborグラフのコサイン類似性を構築するために用いられる。
高容量エンコーダは3つの患者方向のクロスバリデーション・フォールドに対して、グラフのホモフィリと下流の分類性能を一貫して改善し、精度、AUC、感度、特異性、F1スコアが向上する。
さらに、テストセットグラフホモフィリは、分類精度と強い線形相関を示し、高いキャパシティエンコーダは、高ホモフィリーかつ高精度な領域を一貫して占有しており、エンコーダ駆動によるグラフ構造の改善が、観測された性能向上の根底にある重要なメカニズムであることを示唆している。
これらの結果から, グラフベース乳房超音波分類における重要な因子としてエンコーダの選択が確立され, 表現品質と下流分類性能をリンクする指標としてグラフホモフィリーが同定された。
関連論文リスト
- StrokeNeXt: A Siamese-encoder Approach for Brain Stroke Classification in Computed Tomography Imagery [0.7877961820015923]
2次元CT画像におけるストローク分類モデルであるStrokeNeXtを提案する。
StrokeNeXtは2つのConvNeXtエンコーダを備えたデュアルブランチ設計を採用しており、その特徴は軽量な畳み込みデコーダによって融合している。
このモデルは6,774枚のCT画像から評価され,脳卒中検出と脳出血症例のサブタイプ分類の両方に対処する。
論文 参考訳（メタデータ） (2026-02-16T13:56:37Z) - Heart Rate Classification in ECG Signals Using Machine Learning and Deep Learning [0.0]
本研究は心電図信号からの心拍を2つの異なるアプローチで分類する。
従来の機械学習は、手作りの機能と、ECGビートを変換した画像によるディープラーニングを利用している。
SVMやAdaBoostのようなモデルではスコアが大幅に低くなり、このタスクには限定的な適合性を示した。
論文 参考訳（メタデータ） (2025-06-02T05:16:16Z) - Adaptive Homophily Clustering: Structure Homophily Graph Learning with Adaptive Filter for Hyperspectral Image [21.709368882043897]
ハイパースペクトル画像(HSI)クラスタリングは、ゼロトレーニングラベルによる基本的だが難しい課題である。
本稿では,HSIのための適応フィルタクラスタリング法(AHSGC)を用いたホモフィリ構造グラフ学習を提案する。
AHSGCには高いクラスタリング精度、低い計算複雑性、強い堅牢性が含まれています。
論文 参考訳（メタデータ） (2025-01-03T01:54:16Z) - Dual-Frequency Filtering Self-aware Graph Neural Networks for Homophilic and Heterophilic Graphs [60.82508765185161]
我々は、Dual-Frequency Filtering Self-Aware Graph Neural Networks (DFGNN)を提案する。
DFGNNは低域通過フィルタと高域通過フィルタを統合し、滑らかで詳細な位相的特徴を抽出する。
フィルター比を動的に調整し、ホモフィルグラフとヘテロフィルグラフの両方に対応する。
論文 参考訳（メタデータ） (2024-11-18T04:57:05Z) - Degree-Conscious Spiking Graph for Cross-Domain Adaptation [51.58506501415558]
Spiking Graph Networks (SGNs) はグラフ分類において大きな可能性を証明している。
DeSGraDA(Degree-Consicious Spiking Graph for Cross-Domain Adaptation)という新しいフレームワークを紹介する。
DeSGraDAは3つのキーコンポーネントを持つドメイン間の一般化を強化する。
論文 参考訳（メタデータ） (2024-10-09T13:45:54Z) - Leveraging Visibility Graphs for Enhanced Arrhythmia Classification with Graph Convolutional Networks [0.11184789007828977]
本研究では,不整脈分類におけるVGとVVGの表現とGCNの併用について検討した。
以上の結果より,VGおよびVVGマッピングによりGCNは前処理やノイズ除去を必要とせず,生ECG信号から直接不整脈を分類できることがわかった。
論文 参考訳（メタデータ） (2024-04-19T13:24:09Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳（メタデータ） (2022-05-08T15:29:54Z) - Learning Hierarchical Graph Representation for Image Manipulation
Detection [50.04902159383709]
画像操作検出の目的は、画像内の操作された領域を特定し、特定することである。
最近のアプローチでは、画像に残っている改ざんするアーティファクトをキャプチャするために、洗練された畳み込みニューラルネットワーク(CNN)が採用されている。
本稿では2つの並列分岐からなる階層型グラフ畳み込みネットワーク(HGCN-Net)を提案する。
論文 参考訳（メタデータ） (2022-01-15T01:54:25Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳（メタデータ） (2021-01-27T19:28:04Z) - Embedding Graph Auto-Encoder for Graph Clustering [90.8576971748142]
グラフ自動エンコーダ(GAE)モデルは、半教師付きグラフ畳み込みネットワーク(GCN)に基づく
我々は、グラフクラスタリングのための特定のGAEベースのモデルを設計し、その理論、すなわち、埋め込みグラフオートエンコーダ(EGAE)と整合する。
EGAEは1つのエンコーダと2つのデコーダで構成される。
論文 参考訳（メタデータ） (2020-02-20T09:53:28Z)
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。