論文の概要: DisMix: Order-Aware Mixup for Medical Imaging via Disentangling Ordinal and Non-Ordinal Features
- arxiv url: http://arxiv.org/abs/2608.04652v1
- Date: Wed, 05 Aug 2026 10:10:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-06 14:48:43.819375
- Title: DisMix: Order-Aware Mixup for Medical Imaging via Disentangling Ordinal and Non-Ordinal Features
- Title（参考訳）: DisMix: 日常的特徴と非日常的特徴を融合した医用画像のオーダー・アウェア・ミックスアップ
- Authors: Dileepa Pitawela, Gustavo Carneiro, Hsiang-Ting Chen,
- Abstract要約: DisMixは、順序の分類のための注文対応の混合フレームワークである。
DisMixは、デュアルコードブックVQ-VAEを介して、順序と非順序の機能を切り離す。
- 参考スコア（独自算出の注目度）: 15.25018543473196
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Image mixup is a widely adopted data augmentation strategy, yet it is ill-suited for ordinal classification tasks such as medical disease grading, where labels encode a progression of severity. By indiscriminately blending disease-severity cues (ordinal) with appearance-level variation (non-ordinal), standard mixup produces samples that distort the very ordinal structure that underpins clinical severity grading. We introduce DisMix, an order-aware mixup framework for ordinal classification. DisMix disentangles ordinal and non-ordinal features via a dual-codebook VQ-VAE, allowing each subspace to be mixed independently: ordinal codes are interpolated to produce meaningful intermediate ranks, while non-ordinal codes are varied to introduce appearance diversity without corrupting the ordinal signal. Across four medical imaging datasets, DisMix shows the best aggregate performance among six image mixup baselines paired with six ordinal classifiers and remains effective under data scarcity and clinical grading variability.
- Abstract（参考訳）: 画像のミキシングは、広く採用されているデータ拡張戦略であるが、ラベルが重度の進行をコードする医療疾患のグレーディングのような日常的な分類作業には適していない。
疾患の重症度(正常)と外観レベルの変動(非正規)を無差別に混合することにより、標準ミキサップは、臨床の重症度を低下させる非常に正常な構造を歪ませるサンプルを生成する。
順序分類のための注文対応混合フレームワークであるDisMixを紹介する。
DisMixは、デュアルコードブックVQ-VAEを介して順序的および非順序的特徴を分離し、各部分空間を独立に混合する: 順序的符号は意味のある中間ランクを生成するために補間される。
4つの医用画像データセット全体で、DisMixは6つのオーディナル分類器を組み合わせた6つの画像混合ベースラインの中で最高の集計性能を示し、データ不足と臨床グレーディングの多様性の下でも有効である。
関連論文リスト
- Contrastive Order Learning: A General Framework for Ordinal Regression [17.77573567161977]
ConOrdは、順序回帰のための対照的な学習フレームワークである。
対照的な学習と秩序的な学習の強みを統合する。
最先端のパフォーマンスを一貫して達成し、さまざまな順序の回帰シナリオでうまく一般化します。
論文 参考訳（メタデータ） (2026-07-09T04:48:26Z) - 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) - Diffusion-Guided Mask-Consistent Paired Mixing for Endoscopic Image Segmentation [57.37991748282666]
本稿では, 試料混合と拡散合成の強度を融合した拡散誘導型パラダイムを提案する。
各実画像について、合成対を同じマスクの下で生成し、その対をマスク一貫性ペアドミキシング(MCPMix)の制御可能な入力として使用する。
これは、共有幾何学の下で合成および実際の外観を円滑にブリッジする中間サンプルの連続的な族を生成する。
論文 参考訳（メタデータ） (2025-11-05T06:14:19Z) - Learning Disease State from Noisy Ordinal Disease Progression Labels [6.904506218357467]
ノイズの多い順序ラベルから学ぶことは、医療画像において重要な課題である。
本研究は,病状状態を分類可能な表現を学習するために,常態性疾患進行ラベルを使用できるかどうかを問うものである。
論文 参考訳（メタデータ） (2025-03-13T15:04:27Z) - A generalized framework to predict continuous scores from medical
ordinal labels [7.24111517701999]
モデル開発中に個別の順序ラベルのみを用いて連続的な値付き変数を正確に予測するフレームワークを提案する。
その結果, 3つの臨床予測課題において, トレーニングラベルの順序関係を考慮したモデルが, 従来のマルチクラス分類モデルよりも優れていたことが判明した。
論文 参考訳（メタデータ） (2023-05-30T15:00:49Z) - C-Mixup: Improving Generalization in Regression [71.10418219781575]
混合アルゴリズムは、一対の例とその対応するラベルを線形補間することによって一般化を改善する。
ラベルの類似度に基づいてサンプリング確率を調整するC-Mixupを提案する。
C-Mixupは6.56%、4.76%、5.82%の改善、タスクの一般化、アウト・オブ・ディストリビューションの堅牢性を実現している。
論文 参考訳（メタデータ） (2022-10-11T20:39:38Z) - 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) - Cross-Modal Contrastive Learning for Abnormality Classification and
Localization in Chest X-rays with Radiomics using a Feedback Loop [63.81818077092879]
医療画像のためのエンドツーエンドのセミスーパーバイスドクロスモーダルコントラスト学習フレームワークを提案する。
まず、胸部X線を分類し、画像特徴を生成するために画像エンコーダを適用する。
放射能の特徴は別の専用エンコーダを通過し、同じ胸部x線から生成された画像の特徴の正のサンプルとして機能する。
論文 参考訳（メタデータ） (2021-04-11T09:16:29Z) - Convolutional Ordinal Regression Forest for Image Ordinal Estimation [52.67784321853814]
我々は、画像の順序性評価のために、コンボリューショナル・オーディショナル・レグレッション・フォレスト(CORF)と呼ばれる新しいオーディショナル・レグレッション・アプローチを提案する。
提案したCORFは、順序回帰と微分可能な決定木を畳み込みニューラルネットワークと統合し、正確なグローバル順序関係と安定なグローバル順序関係を得る。
提案手法の有効性は,2つの画像順序推定課題において検証され,最先端の順序回帰法に対する大幅な改善と安定性が示された。
論文 参考訳（メタデータ） (2020-08-07T10:41:17Z) - Semi-supervised Medical Image Classification with Relation-driven
Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。
これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。
本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文 参考訳（メタデータ） (2020-05-15T06:57:54Z)
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。