論文の概要: Lesion Detection in CT with Frozen Self-Distilled Features: SALT, a Spatially Adaptive Label-Guided Temperature

• arxiv url: http://arxiv.org/abs/2608.05100v1
• Date: Wed, 05 Aug 2026 17:39:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 14:48:44.060565
• Title: Lesion Detection in CT with Frozen Self-Distilled Features: SALT, a Spatially Adaptive Label-Guided Temperature
• Title（参考訳）: 凍結自己拡張型CTにおける病変検出:空間適応型ラベル誘導温度SALT
• Authors: Mahmut S. Gokmen, Evan W. Damron, Mitchell A. Klusty, Caroline N. Leach, Emily B. Collier, V. K. Cody Bumgardner,
• Abstract要約: 自己監督型事前訓練対象は空間的に均一である。 我々は自己蒸留の目標を定めている。 本報告では,コホートによるパッチレベルの分離性,病変の大きさ,ボックス品質による3次元検出,および単一凍結パッチを埋め込んだ検出器フリープローブを用いて,登録,マスク,微調整を伴わないフォローアップスキャンで病変を再同定する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Self-supervised pretraining objectives are spatially uniform: the teacher temperature and the per-patch loss weight are identical everywhere in the image, so a lesion a few patches wide contributes no more to the training signal than the surrounding parenchyma. Prior work biases the views toward annotated regions, which changes what the model sees but adds no pressure on the objective. We instead condition the targets of self-distillation, a method we call SALT (Spatially Adaptive Label-guided Temperature). Weak, box-derived labels, available only during pretraining, define a compact region on the encoder's patch grid, inside which the teacher's softmax temperature is sharpened and the masked-patch loss is up-weighted. The objectives, the masking policy and the centering statistics are otherwise unchanged, and at every downstream use the encoder is a plain feature extractor with no labels and no conditioning. We evaluate by freezing the encoder and training only a lightweight multi-depth CenterNet-style head, detecting lesions in 3D on four CT cohorts, and we isolate the mechanism against a backbone identical in architecture, pretraining data, schedule and label-guided cropping but with no target conditioning. We report patch-level separability, 3D detection stratified by cohort and by lesion size, box quality, and a detector-free probe in which a single frozen patch embedding re-identifies a lesion in a follow-up scan without registration, masks or fine-tuning. Because the conditioning is expressed through a spatial indicator rather than through label semantics, the formulation admits any weak spatial annotation; we instantiate and validate it for lesions.
• Abstract（参考訳）: 教師の温度とパッチ当たりの損失重量は画像の至る所で同一であるため、いくつかの病変は周囲の発作よりもトレーニング信号に寄与しない。 それまでの作業は、アノテーション付きの領域に対する見解に偏りがあり、それはモデルが見ているものを変えるが、目的に圧力を与えない。 代わりに、SALT(Spatially Adaptive Label-Guided Temperature)と呼ばれる自己蒸留のターゲットを条件にします。 箱由来のラベルである弱みは、事前訓練中にのみ利用可能であり、エンコーダのパッチグリッド上のコンパクトな領域を定義し、内部では教師のソフトマックス温度が鋭くなり、マスク付きパッチ損失が上昇する。 目的、マスキングポリシー、および中心となる統計は、そうでなければ変化せず、下流のあらゆる用途において、エンコーダは、ラベルがなく条件なしのプレーンな特徴抽出器である。 我々は,エンコーダを凍結し,軽量なCentralNetスタイルの頭部のみを訓練し,CTコホート4枚に3Dの病変を検出することで評価を行った。 本報告では,コホートによるパッチレベルの分離性,病変の大きさ,ボックス品質による3次元検出,および単一凍結パッチを埋め込んだ検出器フリープローブを用いて,登録,マスク,微調整の必要なく,フォローアップスキャン中の病変を再同定する。 条件付けはラベルのセマンティクスではなく空間的指標によって表現されるので、定式化は弱い空間的アノテーションを許容する。

関連論文リスト

• DriftScope: Measuring The Hidden Effects of Diffusion Model Adaptation [50.584834483403675]
  新しい視覚概念を学習するか、望ましくないものを消去するか、事前学習したテキスト・画像拡散モデルに適応させることは、意図した効果だけで日常的に評価される。 適応が意味論的に無関係な概念を、構造的にメトリクスを集約することができない方法で体系的に損なうことを実証する。 DriftScopeは、任意の2つのモデルチェックポイントを取り込み、視覚的概念が最も移行したトークンのランクリストを返す、プロンプトレベルの診断ツールである。
  論文  参考訳（メタデータ） (2026-06-30T20:57:51Z)
• Quantifying Explanation Consistency: The C-Score Metric for CAM-Based Explainability in Medical Image Classification [5.127836966483091]
  CAM(Class Activation Mapping)法は、医用画像における深層学習分類器の視覚的説明を生成するために広く用いられている。 既存の評価フレームワークは、ラジオロジストアノテーションに対する局所化忠実度を用いて、説明が正しいかどうかを評価する。 Cスコア(Consistency Score, Consistency Score, C-Score, C-Score, C-Score, C-Score, C-Score, C-Score, C-Score)を提案する。
  論文  参考訳（メタデータ） (2026-04-09T17:47:31Z)
• Unsupervised Adaptation from FDG to PSMA PET/CT for 3D Lesion Detection under Label Shift [7.527855314535418]
  ラベル付きFDG PET/CTでトレーニングされた検出器をラベル付きPSMA PET/CTに適応させる3次元病変検出のための教師なし領域適応フレームワークを提案する。 このラベルシフトを明示的にモデル化し,補償する2つのメカニズムによる自己学習を導入する。 AutoPET 2024では、501ラベルのFDG研究から369ドルの18ドルF-PSMA研究に適応し、提案手法はソースのみのベースラインよりもAPとFROCの両方を改善する。
  論文  参考訳（メタデータ） (2026-03-14T00:25:29Z)
• Addressing Data Scarcity in 3D Trauma Detection through Self-Supervised and Semi-Supervised Learning with Vertex Relative Position Encoding [3.9641557356685166]
  本稿では,3次元医用画像解析のための自己教師付き事前訓練と半教師付き検出を組み合わせたラベル効率のアプローチを提案する。 我々はパッチベースのMasked Image Modeling (MIM)を用いて、1,206個のCTボリュームで3D U-Netエンコーダを事前トレーニングし、堅牢な解剖学的表現を学習する。 検出のために、2000のラベル付きボリュームと一貫性の規則化による半教師付き学習は、56.57%の検証mAP@0.50と45.30%のテストmAP@0.50と、144のラベル付きトレーニングサンプルしか持たない。 分類では、2,244個のラベル付きサンプルに拡張すると、7つの損傷に対して94.07%のテスト精度が得られる
  論文  参考訳（メタデータ） (2026-03-12T23:17:17Z)
• Enhancing Dual Network Based Semi-Supervised Medical Image Segmentation with Uncertainty-Guided Pseudo-Labeling [5.1962665598872135]
  本稿では,デュアルネットワークアーキテクチャに基づく新しい半教師付き3次元医用画像分割フレームワークを提案する。 具体的には,クロス・擬似とエントロピーフィルタの両方を用いたクロス・コンシステンシー・エンハンスメント・モジュールについて検討し,ノイズの多い擬似ラベルを減らす。 さらに、教師付きコントラスト学習機構を用いて、不確実なボクセル特徴を信頼性の高いクラスプロトタイプと整合させる。
  論文  参考訳（メタデータ） (2025-09-16T13:40:20Z)
• Augment and Criticize: Exploring Informative Samples for Semi-Supervised Monocular 3D Object Detection [64.65563422852568]
  我々は、一般的な半教師付きフレームワークを用いて、難解な単分子3次元物体検出問題を改善する。 我々は、ラベルのないデータから豊富な情報的サンプルを探索する、新しい、シンプルで効果的なAugment and Criticize'フレームワークを紹介します。 3DSeMo_DLEと3DSeMo_FLEXと呼ばれる2つの新しい検出器は、KITTIのAP_3D/BEV(Easy)を3.5%以上改善した。
  論文  参考訳（メタデータ） (2023-03-20T16:28:15Z)
• Data Augmentation-free Unsupervised Learning for 3D Point Cloud Understanding [61.30276576646909]
  ソフトクラスタリング(SoftClu)と呼ばれる,移動可能な点レベルの特徴を学習するための,ポイントクラウドに対する拡張不要な教師なしアプローチを提案する。 我々は,クラスタに対するポイントのアフィリエイトをプロキシとして利用し,擬似ラベル予測タスクを通じて自己学習を可能にする。
  論文  参考訳（メタデータ） (2022-10-06T10:18:16Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• S3: Supervised Self-supervised Learning under Label Noise [53.02249460567745]
  本稿では,ラベルノイズの存在下での分類の問題に対処する。 提案手法の核心は,サンプルのアノテートラベルと特徴空間内のその近傍のラベルの分布との整合性に依存するサンプル選択機構である。 提案手法は,CIFARCIFAR100とWebVisionやANIMAL-10Nなどの実環境ノイズデータセットの両方で,従来の手法をはるかに上回っている。
  論文  参考訳（メタデータ） (2021-11-22T15:49:20Z)
• Rethinking Pseudo Labels for Semi-Supervised Object Detection [84.697097472401]
  物体検出に適した確実な擬似ラベルを導入する。 我々は,クラス不均衡問題を緩和するために,各カテゴリの擬似ラベルと再重み付き損失関数を生成するために使用する閾値を動的に調整する。 提案手法では,COCOのラベル付きデータのみを用いて,教師付きベースラインを最大10%改善する。
  論文  参考訳（メタデータ） (2021-06-01T01:32:03Z)

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。