論文の概要: A Unified Tokenization Framework for Pain Recognition using Heterogeneous 3D Modalities

• arxiv url: http://arxiv.org/abs/2607.19716v1
• Date: Wed, 22 Jul 2026 03:35:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-23 18:51:37.968827
• Title: A Unified Tokenization Framework for Pain Recognition using Heterogeneous 3D Modalities
• Title（参考訳）: 不均一な3次元モーダルを用いた痛み認識のための一元化フレームワーク
• Authors: Stefanos Gkikas, Christian Arzate Cruz, Valentina Becchetti, Muhammad Umar Khan, Alessandro Giuseppi, Raul Fernandez Rojas,
• Abstract要約: 本研究では、痛み認識における不均一な3次元モダリティのための統一トークン化フレームワークを提案する。 このフレームワークは、多様な入力を共有トークン空間にマッピングしながら、空間、時間、時間周波数構造を保存する。 AI4Painベンチマークデータセットでは、提案されたフレームワークが最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 37.393441596436666
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pain is a complex and pervasive phenomenon affecting a large percentage of the population, and accurate assessment is essential for effective clinical management and intervention. Computational pain recognition systems enable continuous monitoring, support clinical decision-making, and help mitigate pain-related distress and functional decline. This study introduces a unified tokenization framework for heterogeneous 3D modalities in pain recognition that provides a single processing pipeline across behavioral and brain-activity 3D data, without requiring separate architectures for each modality or handcrafted inductive biases. The framework preserves spatial, temporal, and time--frequency structure while mapping diverse inputs into a shared token space. Extensive experiments show that the proposed approach effectively processes facial videos and fNIRS data in both raw-signal and spectrogram-based representations. On the AI4Pain benchmark dataset, the proposed framework achieves state-of-the-art performance while maintaining high computational efficiency and enabling real-time assessment on both GPU and CPU hardware.
• Abstract（参考訳）: 痛みは人口の大部分に影響を及ぼす複雑で広汎な現象であり、効果的な臨床管理と介入には正確な評価が不可欠である。 コンピュータによる痛み認識システムは、継続的なモニタリングを可能にし、臨床意思決定をサポートし、痛みに関連する苦痛や機能低下を緩和する。 本研究は, 痛み認識における不均一な3次元モダリティのための統一トークン化フレームワークを導入し, 行動・脳活動の3次元データに単一処理パイプラインを提供する。 このフレームワークは、多様な入力を共有トークン空間にマッピングしながら、空間、時間、時間周波数構造を保存する。 広汎な実験により,提案手法は生信号および分光図に基づく表現において,顔映像とfNIRSデータを効果的に処理することを示した。 AI4Painベンチマークデータセットでは、提案フレームワークは、高い計算効率を維持しながら最先端のパフォーマンスを実現し、GPUとCPUハードウェアのリアルタイム評価を可能にする。

関連論文リスト

• A Lightweight Transformer for Pain Recognition from Brain Activity [11.72500739025842]
  本稿では,複数のfNIRS表現を統一トークン化機構を通じて融合する軽量トランスフォーマーアーキテクチャを提案する。 提案したトークン混合戦略は、異種入力を共有潜在表現に投影することにより、空間的・時間的・時間的特性を保存する。 このモデルは、重畳された生波形とfNIRS入力のパワースペクトル密度表現を用いてAI4Painデータセット上で評価する。
  論文  参考訳（メタデータ） (2026-04-13T13:25:19Z)
• MedPruner: Training-Free Hierarchical Token Pruning for Efficient 3D Medical Image Understanding in Vision-Language Models [59.180043227905294]
  MedPrunerは、3次元医用画像の効率的な理解のためのトレーニング不要でモデルに依存しない階層的トークンプレーニングフレームワークである。 我々は、MedPrunerによって、MedGemmaのようなモデルが元の性能を維持したり、超えたりすることが可能であり、ビジュアルトークンの5%以下を維持していることを示す。
  論文  参考訳（メタデータ） (2026-03-12T07:37:00Z)
• FALCON: Few-Shot Adversarial Learning for Cross-Domain Medical Image Segmentation [6.934814982783991]
  データを2次元スライスとして処理することで,高精度な3次元ボリュームセグメンテーションを実現するクロスドメイン・ショットセグメンテーションフレームワークであるFALCONを提案する。 FALCONは最も低いハウスドルフ距離のスコアを一貫して達成し、境界精度が優れていることを示す。 結果はラベル付きデータを大幅に減らし、データ拡張をなくし、計算オーバーヘッドを大幅に減らして達成される。
  論文  参考訳（メタデータ） (2026-01-04T22:57:49Z)
• A methodology for clinically driven interactive segmentation evaluation [1.1425176528359444]
  インタラクティブセグメンテーションは、医用画像セグメンテーションのための堅牢で汎用的なアルゴリズムを構築するための有望な戦略である。 しかし、矛盾する、臨床的に非現実的な評価は、公正な比較を妨げ、現実世界のパフォーマンスを誤って表現する。 本稿では,評価タスクとメトリクスを定義するための臨床的手法を提案し,標準化された評価パイプラインを構築するためのソフトウェアフレームワークを構築した。
  論文  参考訳（メタデータ） (2025-10-10T16:00:06Z)
• Perspective+ Unet: Enhancing Segmentation with Bi-Path Fusion and Efficient Non-Local Attention for Superior Receptive Fields [19.71033340093199]
  本稿では,医療画像のセグメンテーションの限界を克服する新しいアーキテクチャであるspective+Unetを提案する。 このフレームワークは ENLTB という名前の効率的な非局所トランスフォーマーブロックを組み込んでおり、これはカーネル関数近似を利用して、効率的な長距離依存性キャプチャを行う。 ACDCとデータセットに関する実験結果から,提案したパースペクティブ+Unetの有効性が示された。
  論文  参考訳（メタデータ） (2024-06-20T07:17:39Z)
• Augmentation is AUtO-Net: Augmentation-Driven Contrastive Multiview Learning for Medical Image Segmentation [3.1002416427168304]
  この論文は網膜血管セグメンテーションの課題に焦点を当てている。 深層学習に基づく医用画像セグメンテーションアプローチの広範な文献レビューを提供する。 効率的でシンプルな多視点学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-02T06:31:08Z)
• UNETR++: Delving into Efficient and Accurate 3D Medical Image Segmentation [93.88170217725805]
  本稿では,高画質なセグメンテーションマスクと,パラメータ,計算コスト,推論速度の両面での効率性を提供するUNETR++という3次元医用画像セグメンテーション手法を提案する。 我々の設計の核となるのは、空間的およびチャネル的な識別的特徴を効率的に学習する、新しい効率的な対注意ブロック(EPA)の導入である。 Synapse, BTCV, ACDC, BRaTs, Decathlon-Lungの5つのベンチマークで評価した結果, 効率と精度の両面で, コントリビューションの有効性が示された。
  論文  参考訳（メタデータ） (2022-12-08T18:59:57Z)
• Robust Medical Instrument Segmentation Challenge 2019 [56.148440125599905]
  腹腔鏡装置の術中追跡は、しばしばコンピュータとロボットによる介入の必要条件である。 本研究の課題は,30の手術症例から取得した10,040枚の注釈画像からなる外科的データセットに基づいていた。 結果は、初期仮説、すなわち、アルゴリズムの性能がドメインギャップの増大とともに低下することを確認する。
  論文  参考訳（メタデータ） (2020-03-23T14:35:08Z)

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。