Fugu-MT 論文翻訳(概要): Gated Spatial Redundancy Projection for Pathology Transformer Attentions

論文の概要: Gated Spatial Redundancy Projection for Pathology Transformer Attentions

arxiv url: http://arxiv.org/abs/2608.08374v2
Date: Wed, 12 Aug 2026 19:21:05 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-14 14:00:09.444691
Title: Gated Spatial Redundancy Projection for Pathology Transformer Attentions
Title（参考訳）: 病的変圧器注意のための空間冗長投影法
Abstract要約: Gated Spatial Redundancy Projection (Gated SRP) は、自己注意層のための軽量な修正モジュールである。 Gated SRPは、近傍の値から局所冗長軸を推定し、注意出力をこの軸に投影し、学習された符号ゲートを適用して、冗長整列成分を幾何学的に補正する。
参考スコア（独自算出の注目度）: 9.268049949671958
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Transformer models are increasingly used for whole-slide image analysis in computational pathology. Yet, WSIs differ fundamentally from natural images: neighbouring patches often contain highly similar tissue type, stain, texture, and cellular composition. We identify this local spatial redundancy as a pathology-specific failure mode of self-attention, where dominant neighbourhood features can be repeatedly mixed into patch-tokens and weaken subtle diagnostic or prognostic deviations. We propose Gated Spatial Redundancy Projection (Gated SRP), a lightweight drop-in correction module for self-attention layers. For each patch token and attention head, Gated SRP estimates a local redundancy axis from neighbouring value vectors, projects the attention output onto this axis, and applies a learned signed gate to correct the redundancy-aligned component geometrically. Across five TCGA survival cohorts, Gated SRP obtains the highest mean C-index among the compared attention variants in all cohorts, with an average improvement over the base attention, while adding only +0.02% parameters. Across five slide-level classification datasets, it improves the base attention on 12 of 16 reported metrics and achieves the best AUC on three datasets. Code is publicly available at https://github.com/AtlasAnalyticsLab/GatedSRP.
Abstract（参考訳）: トランスフォーマーモデルは、計算病理学における全スライディング画像解析にますます利用されている。近隣のパッチは、しばしば非常に類似した組織タイプ、染色、テクスチャ、細胞組成を含んでいる。局所的な空間的冗長性は病理学的に特異的な自己注意障害モードであり, 主な近傍の特徴をパッチトケンに繰り返し混合し, 微妙な診断や予後のずれを弱めることができる。本稿では,自己アテンション層に対する軽量なドロップイン補正モジュールであるGated Spatial Redundancy Projection (Gated SRP)を提案する。各パッチトークンとアテンションヘッドに対して、Gated SRPは、近傍の値ベクトルから局所冗長軸を推定し、アテンション出力をこの軸に投影し、学習された署名ゲートを適用して、冗長整列成分を幾何学的に補正する。 5つのTCGAサバイバルコホートの中で、Gated SRPは、すべてのコホートで比較されたアテンションの変種の中で最も高いC-インデックスを取得し、ベースアテンションよりも平均的に改善され、パラメータは0.02%に過ぎなかった。 5つのスライドレベルの分類データセットで、報告された16のメトリクスのうち12のベースアテンションを改善し、3つのデータセットで最高のAUCを達成する。コードはhttps://github.com/AtlasAnalyticsLab/GatedSRPで公開されている。

関連論文リスト

Bridging Vision Foundation Model Priors with CLIP for Spatial-aware Few-shot Anomaly Detection in Medical Images [48.646448077284276]
本研究では,数発の医用異常検出を効果的に行うためのフレームワークであるSpatial-FADを提案する。 VFM空間先行とCLIPセマンティクスを組み合わせることで病変の局在を改善する。本手法は,Diceスコアが11.4%,AUCが1.8%以上の平均改善を実現している。
論文参考訳（メタデータ） (2026-09-11T05:21:01Z)
Explaining RhythmFormer: A Systematic XAI Analysis of Periodic Sparse Attention for Remote Photoplethysmography [1.647210198730602]
Photoplethys変換器は、ベンチマークで心拍数エラーが低いが、その決定は不透明である。既存のXAIは、定量的忠実度測定や生理的根拠による検証を伴わない定性的なヒートマップ検査によって支配されている。我々は、RhythmFormerの2レベルの注意をトップ$k$選択で定量化するために、4つの方法(raw attention, rollout, flow, Beyond Intuition)を適用する。
論文参考訳（メタデータ） (2026-06-11T19:10:06Z)
HIR-ALIGN: Enhancing Hyperspectral Image Restoration via Diffusion-Based Data Generation [50.46910397782266]
ハイパスペクトル画像(HSI)の復元は、ノイズ、ぼかし、分解能損失などの劣化に悩まされるため、信頼性の高い解析に不可欠である。本稿では,HIR-ALIGNを提案する。HIR-ALIGNは,限られたトレーニング画像と,ターゲット分布と密に一致した合成データとを付加して,ハイパースペクトル画像の復元を促進するための,プラグアンドプレイのターゲット適応型拡張フレームワークである。
論文参考訳（メタデータ） (2026-05-13T14:14:13Z)
Deep EM with Hierarchical Latent Label Modelling for Multi-Site Prostate Lesion Segmentation [12.493998903996589]
本稿では,隠れマスク上でのボクセル方向の後方分布の推測と,この後方をソフトターゲットとするCNNの訓練を交互に行う階層的予測最大化(HierEM)フレームワークを提案する。 3つのコホートの実験は、提案された階層的EMフレームワークがクロスサイト一般化を促進することを示した。
論文参考訳（メタデータ） (2026-03-15T15:03:20Z)
Using Unsupervised Domain Adaptation Semantic Segmentation for Pulmonary Embolism Detection in Computed Tomography Pulmonary Angiogram (CTPA) Images [0.0]
非教師なしドメイン適応(UDA)フレームワークはTransformerのバックボーンとMean-Teacherアーキテクチャを使って、センター間のセマンティックセマンティックセグメンテーションを実現する。主な焦点は、特徴空間内の深い構造情報を学習することで、擬似ラベルの信頼性を高めることである。クロスセンタデータセット(FUMPEとCAD-PE)で実施した実験的検証は、大幅な性能向上を示す。
論文参考訳（メタデータ） (2026-02-23T14:33:24Z)
UWarp: A Whole Slide Image Registration Pipeline to Characterize Scanner-Induced Local Domain Shift [0.8636895084411372]
種々の条件下でスキャンされた組織学的スライドを整列させる新しい登録ツールであるUWarpをベースとしたドメインシフト解析フレームワークを提案する。実験により、UWarpは既存のオープンソース登録方法より優れており、中央値のターゲット登録誤差(TRE)は4ピクセル未満であることが示された。 UWarpを用いて、乳がんの病態応答予測のための深層学習モデルであるBreaast-NEOprAIdictの予測において、スキャナによる局所ドメインシフトを特徴付ける。
論文参考訳（メタデータ） (2025-03-26T15:48:38Z)
ConDiSR: Contrastive Disentanglement and Style Regularization for Single Domain Generalization [42.810247034149214]
医療データは、しばしば分散シフトを示し、標準パイプラインを使用してトレーニングされたディープラーニングモデルのテスト時のパフォーマンス劣化を引き起こす。本研究は、分類タスクの文脈において、単一ドメインの一般化フレームワークを探索することの重要性と課題を強調した。
論文参考訳（メタデータ） (2024-03-14T13:50:44Z)
A graph-transformer for whole slide image classification [11.968797693846476]
本稿では,グラフベースのグラフベース画像表現を融合したグラフ変換器(GT)と,GTPと呼ばれる病因画像処理のための視覚変換器を提案する。本研究は,WSIレベルの分類において,GTPを解釈可能かつ効果的なディープラーニングフレームワークとして示すものである。
論文参考訳（メタデータ） (2022-05-19T16:32:10Z)
Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文参考訳（メタデータ） (2022-04-19T10:41:09Z)
Augmenting Convolutional networks with attention-based aggregation [55.97184767391253]
我々は,非局所的推論を実現するために,注目に基づくグローバルマップを用いた畳み込みネットワークの強化方法を示す。この学習集約層を2つのパラメータ(幅と深さ)でパラメータ化した単純パッチベースの畳み込みネットワークで接続する。これは、特にメモリ消費の点で、精度と複雑さの間の驚くほど競争力のあるトレードオフをもたらす。
論文参考訳（メタデータ） (2021-12-27T14:05:41Z)
Dense Label Encoding for Boundary Discontinuity Free Rotation Detection [69.75559390700887]
本稿では,分類に基づく比較的研究の少ない方法論について検討する。我々は2つの側面でフロンティアを推し進めるための新しい手法を提案する。航空画像のための大規模公開データセットの実験と視覚解析は,我々のアプローチの有効性を示している。
論文参考訳（メタデータ） (2020-11-19T05:42:02Z)
Collaborative Boundary-aware Context Encoding Networks for Error Map Prediction [65.44752447868626]
本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。 AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
論文参考訳（メタデータ） (2020-06-25T12:42:01Z)

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。