論文の概要: MAGE: Color-Invariant and Spatial Knowledge Distillation for Gastric Neoplasm Classification

• arxiv url: http://arxiv.org/abs/2607.12663v1
• Date: Tue, 14 Jul 2026 11:45:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:30.134684
• Title: MAGE: Color-Invariant and Spatial Knowledge Distillation for Gastric Neoplasm Classification
• Title（参考訳）: MAGE:胃癌分類のための色不変および空間的知識蒸留法
• Abstract要約: 我々は新しいフレームワークMasked Achromatic Guidance Expert (MAGE)を提案する。 トレーニング中,腫瘍の無彩色視で訓練された補助的局所的専門枝を導入した。 背景の背景と色を抑えることで、この分岐は高度に差別的で純粋に構造的な特徴を学習せざるを得ない。 推測時に、当社のデプロイ可能なモデルは、アノテートマスクを使わずにイメージ上で動作し、リアルタイムのデプロイ性を保証する。
• 参考スコア（独自算出の注目度）: 3.371633041086325
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate differentiation between gastric adenoma and carcinoma during endoscopy is critical for clinical decision-making. Yet, this task is highly challenging due to high inter-class similarity and ambiguous boundaries between the two classes. Existing ROI-based classification methods often suffer from detection/segmentation error propagation and loss of surrounding global context. In contrast, full-image classification lacks the necessary spatial focus. Furthermore, we observe that deep neural networks gravitate towards domain-specific texture biases(e.g. bleeding, lighting artifacts), often causing models to predict based on spurious correlations instead of intrinsic morphological features. To address these limitations, we propose a novel framework, Masked Achromatic Guidance Expert (MAGE). During training, we introduce an auxiliary local expert branch trained on masked achromatic views of the neoplasm. By suppressing background context and color, this branch is forced to learn highly discriminative, purely structural features. We then employ a dual-objective distillation strategy, transferring both classification logits and spatial attention maps to provide implicit spatial supervision to the main branch that receives full WLI as input. This dual-objective distillation forces the model to ground its predictions in morphology rather than relying on shortcuts, while still retaining clinically relevant color cues. At inference time, our deployable model operates on images without annotated masks, ensuring real-time deployability . Extensive experiments on a clinical gastric endoscopy dataset show that our method significantly outperforms existing detection-based methodologies (e.g. YOLO) and classification-based methodologies (e.g. Swin-Transformer), providing not only superior classification performance but also interpretable attention maps for clinical reliability.
• Abstract（参考訳）: 内視鏡検査における胃腺腫と癌との正確な鑑別は臨床的決定に重要である。 しかし、このタスクはクラス間の高い類似性と2つのクラス間のあいまいな境界のため、非常に難しい。 既存のROIに基づく分類手法は、しばしば検出/分離エラーの伝播と周囲のグローバルな文脈の喪失に悩まされる。 対照的に、フルイメージの分類は必要な空間的焦点を欠いている。 さらに、深層ニューラルネットワークは、ドメイン固有のテクスチャバイアス(例えば、出血、照明アーティファクト)に向かって重力的に進行し、しばしば本質的な形態的特徴ではなく、刺激的な相関に基づいてモデルが予測される。 これらの制約に対処するため,我々はMasked Achromatic Guidance Expert (MAGE) という新しいフレームワークを提案する。 トレーニング中,腫瘍の無彩色視で訓練された補助的局所的専門枝を導入した。 背景の背景と色を抑えることで、この分岐は高度に差別的で純粋に構造的な特徴を学習せざるを得ない。 次に,WLIを入力として受信するメインブランチに暗黙的な空間的監視を提供するために,分類ロジットと空間的注意マップの両方を移譲する,二重目的蒸留方式を提案する。 この二重目的蒸留は、モデルにショートカットに頼らず、形態学的な予測を下敷きにするよう強制する一方で、臨床的に関係のあるカラーキューも維持する。 推論時に、当社のデプロイ可能なモデルは、アノテートマスクなしでイメージ上で動作し、リアルタイムのデプロイ性を保証する。 臨床胃内視鏡検査データセットにおける広範囲な実験により,既存の診断法(例 YOLO)および分類法(例 Swin-Transformer)を著しく上回り,優れた分類性能だけでなく,臨床信頼性にも注意マップが有用であることが示唆された。

関連論文リスト

• Class Visualizations and Activation Atlases for Enhancing Interpretability in Deep Learning-Based Computational Pathology [1.5921492981295717]
  トランスフォーマーベース基礎モデルを用いて, クラスビジュアライゼーション (CV) とアクティベーションアトラス (AA) を評価した。 CVは形態学的に異なる組織に対する認識性を保ったが,重複癌サブクラスに対する分離性は低下した。 組織レベルの粗い概念がコヒーレントな領域を形成したのに対し、より微細なサブクラスは分散と重複を示した。
  論文  参考訳（メタデータ） (2026-03-07T12:23:10Z)
• CLARiTy: A Vision Transformer for Multi-Label Classification and Weakly-Supervised Localization of Chest X-ray Pathologies [5.833805519002777]
  CLARiTyは、胸椎病変の多ラベル分類と弱教師付き局所化のための視覚変換器に基づくモデルである。 NIH ChestX-ray14データセットの画像レベルラベルに基づいてトレーニングされている。 14の病理にまたがる競争的分類性能と8の病理上での最先端の教師付きローカライゼーション性能を実現している。
  論文  参考訳（メタデータ） (2025-12-18T16:04:55Z)
• 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)
• ClassifyViStA:WCE Classification with Visual understanding through Segmentation and Attention [3.887356044145916]
  We propose ClassifyViStA, a AI-based framework designed for automated detection and classification of bleeding and non-bleeding frames from WCE video。 このモデルは、分類性能を高めるためにResNet18とVGG16アーキテクチャのアンサンブル上に構築されている。 我々のアプローチは、GI出血の検出を自動化するだけでなく、医療専門家の負担を軽減するための解釈可能なソリューションも提供します。
  論文  参考訳（メタデータ） (2024-12-24T18:45:14Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Learning Discriminative Representation via Metric Learning for Imbalanced Medical Image Classification [52.94051907952536]
  本稿では,特徴抽出器がより識別的な特徴表現を抽出するのを助けるために,2段階フレームワークの第1段階にメトリック学習を組み込むことを提案する。 主に3つの医用画像データセットを用いて実験したところ、提案手法は既存の1段階と2段階のアプローチより一貫して優れていた。
  論文  参考訳（メタデータ） (2022-07-14T14:57:01Z)
• Assessing glaucoma in retinal fundus photographs using Deep Feature Consistent Variational Autoencoders [63.391402501241195]
  緑内障は症状が重くなるまで無症状のままでいるため、検出が困難である。 緑内障の早期診断は機能的,構造的,臨床的評価に基づいて行われることが多い。 ディープラーニング手法はこのジレンマを、マーカー識別段階をバイパスし、ハイレベルな情報を分析してデータを分類することで部分的に解決している。
  論文  参考訳（メタデータ） (2021-10-04T16:06:49Z)
• Consistent Posterior Distributions under Vessel-Mixing: A Regularization for Cross-Domain Retinal Artery/Vein Classification [30.30848090813239]
  網膜A/V分類におけるクロスドメイン学習のための船舶混合型整合性正規化フレームワークを提案する。 提案手法は,対象ドメインに対する教師付き学習によって得られる上界に近い,最先端のクロスドメイン性能を実現する。
  論文  参考訳（メタデータ） (2021-03-16T14:18:35Z)
• 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)
• Weakly-Supervised Segmentation for Disease Localization in Chest X-Ray Images [0.0]
  医用胸部X線画像のセマンティックセグメンテーションに対する新しいアプローチを提案する。 本手法は肺と胸壁の間の異常な空気量を検出するための胸部X線検査に適用可能である。
  論文  参考訳（メタデータ） (2020-07-01T20:48:35Z)

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。