論文の概要: MedXplore: Towards Reliable and Unbiased Generalized Category Discovery in Medical Imaging
- arxiv url: http://arxiv.org/abs/2607.27620v1
- Date: Thu, 30 Jul 2026 03:15:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-31 21:37:00.381379
- Title: MedXplore: Towards Reliable and Unbiased Generalized Category Discovery in Medical Imaging
- Title（参考訳）: MedXplore:医療画像における信頼性と偏りのない一般カテゴリー発見を目指して
- Abstract要約: MedXploreは、信頼性と偏りのない医療用GCDのための統一的なフレームワークである。
FAACとACAMは、学習可能なフルスペクトルフィルタリングとグローバルローカルエネルギーコントラストアクティベーションを実行する。
Kvasirでは、MedXploreは偽りの誤りを14.50%から0.80%に減らし、厳しい旧来の曖昧さの下で強い堅牢性を示す。
- 参考スコア（独自算出の注目度）: 12.516801794281315
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning has shown strong potential in medical image analysis, but most existing methods rely on large-scale annotations and a closed-world assumption that rarely holds in clinical practice. Although Generalized Category Discovery (GCD) has advanced rapidly on natural images, it remains underexplored in medical imaging. To address this issue, we propose MedXplore, a unified framework for reliable and unbiased medical GCD, optimizing from both perceptual and decision levels. Specifically, at the perceptual level, taking a frequency domain perspective, Frequency-SNR Adaptive Attention and Consistency (FAAC) performs learnable full-spectrum filtering and global-local energy contrast activation to not only highlight local abnormal signals relative to the global context, but also provide reliable semantic anchors for patch consistency learning. At the decision level, Adaptive Cosine-Angular Margin (ACAM) adjusts angular margins using semantic difficulty and feature confidence to balance intra-class compactness and inter-class separability. Together, the two modules improve lesion-sensitive representation learning and mitigate old-class bias. Experiments on multiple benchmarks show an average \textbf{8.5\%} gain in \textit{All} accuracy over the strongest competing methods. On Kvasir, MedXplore reduces false-old errors from 14.50\% to 0.80\%, demonstrating strong robustness under severe old-new ambiguity.
- Abstract（参考訳）: 深層学習は、医用画像解析において大きな可能性を示しているが、既存のほとんどの手法は、大規模なアノテーションと、臨床実践ではほとんど持たないクローズドワールドの仮定に依存している。
一般カテゴリー発見(GCD)は自然画像で急速に進歩しているが、医用画像では未発見である。
この問題に対処するため、我々は、信頼性とバイアスのない医療用GCDの統合フレームワークであるMedXploreを提案し、知覚レベルと意思決定レベルの両方から最適化する。
具体的には、周波数領域の観点から、周波数-SNR適応アダプティブアテンション・コンシスタンス(FAAC)は、学習可能なフルスペクトルフィルタリングとグローバルローカルエネルギーコントラストアクティベーションを実行し、グローバルなコンテキストに対する局所的な異常信号のハイライトだけでなく、パッチ整合学習のための信頼性の高いセマンティックアンカーを提供する。
決定レベルでは、Adaptive Cosine-Angular Margin (ACAM) は意味的難易度と特徴信頼度を用いて角マージンを調整し、クラス内コンパクト性とクラス間分離性のバランスをとる。
この2つのモジュールは、病変に敏感な表現学習を改善し、旧来のバイアスを軽減する。
複数のベンチマークの実験では、最強の競合手法よりも平均的な \textbf{8.5\%} の精度が向上した。
Kvasir では、MedXplore は偽りの誤りを 14.50\% から 0.80\% に減らし、厳密な旧来の曖昧さの下で強い堅牢性を示す。
関連論文リスト
- MSA-DCNN: A Data-Efficient Multi-Scale Deformable CNN for Medical Image Classification [1.6566053195631467]
既存のディープラーニング手法は、固定サンプリングとデータハングリートレーニングにより、マルチスケールのモルフォロジーと限定アノテーションに苦しむ。
MSA-DCNNは、適応型マルチスケールサンプリング、大規模サリエンシ改善、学習用クロススケール融合、および統合最適化スキーム内での補助自己蒸留を導入する、スケール一貫性のある変形型アテンション学習フレームワークである。
論文 参考訳（メタデータ） (2026-07-07T09:52:46Z) - PulmoSight-XAI: An Explainable Multi-View Attention Ensemble with Gradient Boosting Meta-Learning for Multi-Label Chest X-Ray Classification [1.2744523252873352]
14の胸部病理の堅牢な分類のための説明可能な階層的多視点アンサンブルフレームワークを提案する。
このフレームワークは、フロントとサイドのラジオグラフィーを独立してモデル化することで、ビュー固有のトレーニングを採用する。
このフレームワークは最先端のマクロ平均AUROCスコアを前頭葉で0.9319、横線で0.9154と達成している。
論文 参考訳（メタデータ） (2026-07-05T19:50:53Z) - HiMatch-AD: DINOv3-driven Hierarchical Matching for Training-free Medical Anomaly Detection [6.789086317935452]
HiMatch-ADは、DINOv3によるトレーニングフリーな医療異常検出のための階層的マッチングフレームワークである。
信頼性に応じて地図を適応的に重み付けする統一的不確実性に基づく融合機構を導入する。
脳MRI、肝CT、網膜OCTデータセットを含むBMADベンチマークの実験は、HiMatch-ADがトレーニングベースとDINOベースの最先端の手法の両方を一貫して上回っていることを示した。
論文 参考訳（メタデータ） (2026-06-21T15:26:48Z) - DMDSC: A Dynamic-Margin Deep Simplex Classifier for Open-Set Recognition on Medical Image Datasets [1.6076071340549412]
医用画像データセットは、しばしば極端な階級的不均衡によって特徴づけられる。
この不均衡は、オープンセット認識(OSR: Open-Set Recognition)において二重の課題となり、モデルは、臨床環境での見知らぬトレーニングにおいて、未知のサンプルを確実に拒否しながら、既知のクラスにおける高い分類精度を維持する必要がある。
本稿では, ダイナミック・マージン・アプローチを特徴とする拡張フレームワークを提案する。本手法では, 周波数に基づいてクラス固有のマージンを自動的に適応し, 高いペナルティとより厳格な特徴クラスタリングを行うことで, データの不均衡を解消する。
論文 参考訳（メタデータ） (2026-05-01T13:57:41Z) - SHAPE: Structure-aware Hierarchical Unsupervised Domain Adaptation with Plausibility Evaluation for Medical Image Segmentation [7.174788000625294]
非教師付きドメイン適応(Unsupervised Domain Adaptation, UDA)は、様々な臨床環境に医療セグメンテーションモデルを配置するために不可欠である。
SHAPE(Structure-Aware Hierarchical Unsupervised Domain Adaptation with Plausibility Evaluation)は、グローバルな解剖学的妥当性に対する適応を再構築するフレームワークである。
論文 参考訳（メタデータ） (2026-03-23T12:25:56Z) - FL-MedSegBench: A Comprehensive Benchmark for Federated Learning on Medical Image Segmentation [57.930067699003764]
Federated Learning (FL)は、生データを共有せずに、協調的な医療画像分析のためのプライバシー保護パラダイムを提供する。
FL-MedSegBenchは,医用画像セグメンテーションにおけるフェデレーション学習のための総合的なベンチマークである。
汎用FL(gFL)法とパーソナライズFL(pFL)法を多次元にわたって体系的に評価した。
論文 参考訳（メタデータ） (2026-03-12T08:28:41Z) - 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) - Crane: Context-Guided Prompt Learning and Attention Refinement for Zero-Shot Anomaly Detection [50.343419243749054]
異常検出は、医学診断や工業的欠陥検出などの分野において重要である。
CLIPの粗粒化画像テキストアライメントは、微粒化異常に対する局所化と検出性能を制限する。
クレーンは最先端のZSADを2%から28%に改善し、画像レベルとピクセルレベルの両方で、推論速度では競争力を維持している。
論文 参考訳（メタデータ） (2025-04-15T10:42:25Z) - Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。
提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。
医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
論文 参考訳（メタデータ） (2024-03-19T09:28:19Z) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳（メタデータ） (2022-12-01T07:32:56Z) - Dynamic Bank Learning for Semi-supervised Federated Image Diagnosis with
Class Imbalance [65.61909544178603]
クラス不均衡半教師付きFL(imFed-Semi)の実用的かつ困難な問題について検討する。
このImFed-Semi問題は、クラス比例情報を利用してクライアントトレーニングを改善する新しい動的銀行学習方式によって解決される。
25,000個のCTスライスによる頭蓋内出血診断と10,015個の皮膚内視鏡画像による皮膚病変診断の2つの公開実世界の医療データセットに対するアプローチを評価した。
論文 参考訳（メタデータ） (2022-06-27T06:51:48Z)
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。