論文の概要: Privileged Lesion-Context Relational Distillation for Mask-Free Skin Lesion Classification
- arxiv url: http://arxiv.org/abs/2607.18773v1
- Date: Tue, 21 Jul 2026 06:54:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-22 19:05:05.341227
- Title: Privileged Lesion-Context Relational Distillation for Mask-Free Skin Lesion Classification
- Title（参考訳）: マスクレス皮膚病変分類のための一次病変コンテキスト関係蒸留法
- Abstract要約: 本研究はPLCRD(Privleged Lesion-Context Distillation Model)を紹介する。
PLCRDは、画像のみの推論を維持しながらトレーニング中にのみ、病変マスクを利用する。
以上の結果から,特権病変アノテーションは伝達可能な知識に変換できることが示唆された。
- 参考スコア（独自算出の注目度）: 0.2982610402087728
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate skin lesion classification can benefit from lesion segmentation masks, but requiring masks or an auxiliary segmentation model during inference reduces clinical practicality and increases computational complexity. This work introduces Privileged Lesion-Context Relational Distillation (PLCRD), a teacher-student framework that exploits lesion masks exclusively during training while preserving image-only inference. The privileged teacher jointly analyzes the original dermoscopic image and its mask-guided lesion region to learn lesion-specific and contextual diagnostic representations. An image-only student is then trained through complementary knowledge-transfer mechanisms that convey the teacher's diagnostic distribution, lesion-focused attention, inter-lesion relational geometry, and lesion-context structure. PLCRD decomposes deep representations into lesion and contextual embeddings and transfers their relational organization through inter-lesion similarity alignment, lesion-context affinity matching, separation regularization, and class-aware relational learning. This formulation avoids direct feature matching between heterogeneous teacher and student architectures and enables the student to internalize mask-informed diagnostic structure without accessing masks at deployment. The framework was evaluated on HAM10000 using lesion-disjoint data partitioning and externally validated on ISIC 2018 without retraining. PLCRD achieved a lesion-level macro-F1 of 0.773 +/- 0.018, balanced accuracy of 0.764 +/- 0.023, and macro-AUROC of 0.976 +/- 0.002 on HAM10000, together with a macro-F1 of 0.732 +/- 0.008 on ISIC 2018. The results indicate that privileged lesion annotations can be transformed into transferable relational knowledge, yielding a practical and interpretable approach to mask-free skin lesion classification.
- Abstract（参考訳）: 正確な皮膚病変分類は、病変のセグメンテーションマスクの恩恵を受けることができるが、推論中にマスクや補助セグメンテーションモデルを必要とすると、臨床実践性が低下し、計算複雑性が増大する。
この研究は、イメージのみの推論を保ちながらトレーニング中にのみ病変マスクを利用する教師学生用フレームワークであるPLCRD(Privleged Lesion-Context Relational Distillation)を紹介する。
特権教師は、元の皮膚内視鏡画像とそのマスクガイド付き病変領域を共同で解析し、病変特異的および文脈的診断表現を学習する。
画像のみの学生は、教師の診断分布、病変に着目した注意、関係幾何学、病変・コンテキスト構造を伝達する補完的な知識伝達機構によって訓練される。
PLCRDは、深い表現を病変と文脈の埋め込みに分解し、それらの関係組織を相互類似性アライメント、病変-コンテキスト親和性マッチング、分離正規化、クラス認識関係学習を通じて伝達する。
この定式化は、異質な教師と学生のアーキテクチャ間の直接的な特徴マッチングを回避し、学生が配置時にマスクにアクセスすることなく、マスクインフォームド診断構造を内部化できるようにする。
このフレームワークは、病変を分離したデータパーティショニングを使用してHAM10000上で評価され、ISIC 2018では再トレーニングなしで外部で検証された。
PLCRDの病変レベルのマクロF1は0.773+/-0.018で、精度は0.764+/-0.023で、HAM10000では0.976+/-0.002、ISIC 2018では0.732+/-0.008であった。
以上の結果から,有意な病変アノテーションを伝達可能な関係知識に変換することができ,マスクレス皮膚病変分類への実用的かつ解釈可能なアプローチが得られた。
関連論文リスト
- Multi-View Synergistic Learning with Vision-Language Adaption for Low-Resource Biomedical Image Classification [59.24009931000134]
MVSL(Multi-View Synergistic Learning)は、適応パラダイム、表現の粒度、疾患の意味的関係に対処する統合フレームワークである。
MVSLは、視覚的およびテキスト的エンコーダの適応を分離し、それぞれの表現特性を尊重する。
さらに、グローバルなイメージセマンティクスと局所的な病変レベルの証拠の両方を明示的にモデル化するために、多粒性コントラスト学習を導入する。
MVSLは、いくつかのショットとゼロショットの分類設定において、最先端のメソッドを一貫して上回る。
論文 参考訳（メタデータ） (2026-04-27T02:41:27Z) - A Machine Vision Approach to Preliminary Skin Lesion Assessments [0.0]
本研究は,皮膚内視鏡のABCD規則と機械学習の分類を併用した皮膚病変予備評価システムについて検討した。
ストクラッチからトレーニングされたカスタム3層畳み込みニューラルネットワーク(CNN)は78.5%の精度と86.5%のリコールを達成した。
論文 参考訳（メタデータ） (2026-01-21T23:48:59Z) - Hide-and-Seek Attribution: Weakly Supervised Segmentation of Vertebral Metastases in CT [68.09387763135236]
脊椎レベルの健康・悪性のラベルにのみ、病変マスクを伴わずに訓練を施した弱い指導方法を提案する。
マスクの監視がないにも関わらず,強い爆発・解析性能を達成する。
論文 参考訳（メタデータ） (2025-12-07T14:03:28Z) - Explainable Melanoma Diagnosis with Contrastive Learning and LLM-based Report Generation [6.12668702512286]
悪性黒色腫(CEFM)のクロスモーダル説明フレームワーク
解釈可能性を達成するための中核的なメカニズムとして、対照的な学習を使う。
公開データセットの実験では92.79%の精度でAUCは0.961である。
論文 参考訳（メタデータ） (2025-12-05T19:19:36Z) - Instruction-Guided Lesion Segmentation for Chest X-rays with Automatically Generated Large-Scale Dataset [42.048522149687145]
単純でユーザフレンドリーな命令に基づいて,多様な病変を分類するインストラクションガイド付き病変分割(ILS)を導入する。
本パラダイムでは,CXR病変分割のためのMIMIC-ILSを構築した。
MIMIC-ILSは、192K画像と91K独自のセグメンテーションマスクから派生した1.1Mのインストラクション・アンサー対を含み、7つの主要な病変をカバーしている。
論文 参考訳（メタデータ） (2025-11-19T07:17:19Z) - Transformer Classification of Breast Lesions: The BreastDCEDL_AMBL Benchmark Dataset and 0.92 AUC Baseline [1.9336815376402718]
本研究では,ダイナミックコントラスト強調MRIにおける乳腺病変の自動分類のためのトランスフォーマーベースフレームワークを提案する。
患者レベルでは100%の感度と67%の特異性を有する病変レベル分類のAUCを0.92で達成したSegFormerアーキテクチャを実装した。
データセット、モデル、評価プロトコルの公開リリースは、DCE-MRI病変分類のための最初の標準化されたベンチマークを提供する。
論文 参考訳（メタデータ） (2025-09-30T15:58:02Z) - CLAIM: Clinically-Guided LGE Augmentation for Realistic and Diverse Myocardial Scar Synthesis and Segmentation [3.052913696182197]
CLAIM: textbfClinically-Guided textbfLGE textbfAugmentation for Realtextbfiiyocardial Scar Synthesis and framework。
SMILEモジュールは、臨床で採用されているAHA 17セグメントモデルで拡散ベースのジェネレータを条件に、解剖学的に一貫性があり空間的に多様な傷跡パターンで画像を合成する。
実験結果から, CLAIMは解剖学的に整合性のある傷跡パターンを生成し, ベースラインモデルと比較してDiceと実際の傷跡分布との類似性が高いことがわかった。
論文 参考訳（メタデータ） (2025-06-18T15:21:34Z) - Enhanced MRI Representation via Cross-series Masking [48.09478307927716]
自己教師型でMRI表現を効果的に学習するためのクロスシリーズ・マスキング(CSM)戦略
メソッドは、パブリックデータセットと社内データセットの両方で最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2024-12-10T10:32:09Z) - AMLP:Adaptive Masking Lesion Patches for Self-supervised Medical Image
Segmentation [67.97926983664676]
自己監督型マスク画像モデリングは自然画像に対して有望な結果を示した。
しかし,このような手法を医用画像に直接適用することは依然として困難である。
適応型マスキング病変パッチ(AMLP)の自己管理型医用画像分割フレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-08T13:18:10Z) - Robust and Generalisable Segmentation of Subtle Epilepsy-causing
Lesions: a Graph Convolutional Approach [1.180462901068842]
FCD(Foccal cortical dysplasia)は薬剤抵抗性てんかんの主要な原因であり、手術で治療できる。
そのため、手動の傷口マスクは高価で、限定的であり、ラッター間変動が大きい。
本稿では,グラフ畳み込みネットワーク(GCN)を用いたセマンティックセグメンテーション(セマンティックセグメンテーション,セマンティックセグメンテーション,セマンティックセグメンテーション)の手法を提案する。
論文 参考訳（メタデータ） (2023-06-02T08:56:56Z) - Generative Adversarial Networks based Skin Lesion Segmentation [7.9234173309439715]
本稿では, 教師なし生成ネットワークを用いて正確な病変マスクを生成する, Efficient-GAN という新たな逆学習基盤を提案する。
Dice係数、Jaccard類似度、精度はそれぞれ90.1%、83.6%、94.5%である。
また,EGANと同等の性能を持つ軽量セグメンテーションフレームワーク(MGAN)を設計する。
論文 参考訳（メタデータ） (2023-05-29T15:51:31Z) - Self-supervised contrastive learning of echocardiogram videos enables
label-efficient cardiac disease diagnosis [48.64462717254158]
心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。
左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。
EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
論文 参考訳（メタデータ） (2022-07-23T19:17:26Z)
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。