論文の概要: SpurCon: Weighted Supervised Contrastive Learning for Mitigating Spurious Cues in Medical Imaging
- arxiv url: http://arxiv.org/abs/2608.17598v1
- Date: Tue, 18 Aug 2026 10:05:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-19 21:40:53.30091
- Title: SpurCon: Weighted Supervised Contrastive Learning for Mitigating Spurious Cues in Medical Imaging
- Title（参考訳）: SpurCon:医療画像におけるスプーラスキューの緩和のための重み付きコントラスト学習
- Abstract要約: モデルでは、医療画像の急激な相関を利用して、デバイスや治療用アーティファクトが病理と共生することがある。
本稿では,新しい教師付きコントラスト損失定式化に基づく軽量フレームワークであるSpurConを提案する。
当社のアプローチでは,複数のデータセットに対して,適切な最悪のグループと全体的な精度のバランスを保ちながら,最高のスプリゲーション性能を実現しています。
- 参考スコア（独自算出の注目度）: 7.308896004974025
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Despite the rapid progress of deep neural networks in visual recognition, their adoption in high-risk medical applications remains limited due to reliability and robustness concerns. Models may exploit spurious correlations, particularly in medical imaging, where devices or treatment artifacts often co-occur with pathology. In small or imbalanced datasets, such cues further reduce worst-group performance and undermine clinical trust. To solve these issues, two major challenges should be addressed: identifying dataset-specific spurious cues, which typically require domain knowledge, and mitigating reliance on them. To tackle both, we propose SpurCon, a lightweight framework based on a novel supervised contrastive loss formulation that leverages available metadata and predicted spurious labels to enhance robustness. We introduce a fast few-shot procedure, without network training, to estimate spurious labels using a small number of expert-annotated samples. We then propose a weighted supervised contrastive objective, WtSupCon, that reshapes the representation geometry by assigning sample-specific weights that depend on the [pathology, spurious, metadata] combination. For example, the highest weight is assigned to samples that differ only in their spurious label. This yields highly similar representations for images with the same metadata and pathology, differing only in the predicted spurious label. Our method operates on pretrained image encoders (such as BiomedCLIP) and trains only a lightweight projection head. We evaluate SpurCon on a synthetic setting and on Waterbirds, CheXpert, a chest X-ray classification dataset, and ISIC 2020, a skin cancer classification dataset. Our approach delivers the best spurious-mitigation performance, balancing well worst-group and overall accuracy on multiple datasets.
- Abstract（参考訳）: 視覚認識におけるディープニューラルネットワークの急速な進歩にもかかわらず、信頼性と堅牢性に関する懸念から、ハイリスクな医療応用への採用は制限されている。
モデルでは、特に医療画像では、デバイスや治療用アーティファクトが病理と共生することが多い。
小さいデータセットや不均衡なデータセットでは、このようなキューは最悪のグループのパフォーマンスをさらに低下させ、臨床的信頼を損なう。
これらの問題を解決するためには、2つの大きな課題に対処する必要がある。
両課題に対処するため,新しい教師付きコントラスト損失定式化に基づく軽量フレームワークであるSpurConを提案する。
ネットワークトレーニングを伴わない高速な数発のプロシージャを導入し、少数の専門家による注釈付きサンプルを用いてスプリアスラベルを推定する。
次に、[病理, 刺激, メタデータ]の組み合わせに依存するサンプル固有の重みを割り当てることで、表現幾何学を再活性化する、重み付き教師付きコントラスト目的WtSupConを提案する。
例えば、最高重量はスプリアスラベルでのみ異なるサンプルに割り当てられる。
これにより、同じメタデータと病理を持つ画像に対して非常に類似した表現が得られ、予測された急激なラベルでのみ異なる。
本手法は,プリトレーニング済みイメージエンコーダ(BiomedCLIPなど)で動作し,軽量プロジェクションヘッドのみを訓練する。
我々はSpurConを合成環境とウォーターバード、胸部X線分類データセットCheXpert、皮膚がん分類データセットISIC 2020で評価した。
当社のアプローチでは,複数のデータセットに対して,適切な最悪のグループと全体的な精度のバランスを保ちながら,最高のスプリゲーション性能を実現しています。
関連論文リスト
- MR-CLIP: Efficient Metadata-Guided Learning of MRI Contrast Representations [0.8430273876996414]
MR-CLIPは、MR画像とDICOMメタデータを整合させてコントラスト認識表現を学習するマルチモーダルコントラスト学習フレームワークである。
クロスモーダル検索とコントラスト分類におけるその効果を実証し、その拡張性とさらなる臨床応用の可能性を強調した。
論文 参考訳（メタデータ） (2025-06-23T13:27:31Z) - How Does Pruning Impact Long-Tailed Multi-Label Medical Image
Classifiers? [49.35105290167996]
プルーニングは、ディープニューラルネットワークを圧縮し、全体的なパフォーマンスに大きな影響を及ぼすことなく、メモリ使用量と推論時間を短縮する強力なテクニックとして登場した。
この研究は、プルーニングがモデル行動に与える影響を理解するための第一歩である。
論文 参考訳（メタデータ） (2023-08-17T20:40:30Z) - Weakly-supervised positional contrastive learning: application to
cirrhosis classification [45.63061034568991]
大規模な医療画像データセットは、低信頼で弱いラベルで安価に注釈を付けることができる。
組織学に基づく診断のような高信頼なラベルへのアクセスは稀で費用がかかる。
提案手法は,効率的な弱教師付き位置対応学習戦略 (WSP) を提案する。
論文 参考訳（メタデータ） (2023-07-10T15:02:13Z) - SPLAL: Similarity-based pseudo-labeling with alignment loss for
semi-supervised medical image classification [11.435826510575879]
半教師付き学習(SSL)メソッドはラベル付きデータとラベルなしデータの両方を活用することで課題を軽減することができる。
医用画像分類のためのSSL法では,(1)ラベルなしデータセットの画像に対する信頼性の高い擬似ラベルの推定,(2)クラス不均衡によるバイアスの低減という2つの課題に対処する必要がある。
本稿では,これらの課題を効果的に解決する新しいSSLアプローチであるSPLALを提案する。
論文 参考訳（メタデータ） (2023-07-10T14:53:24Z) - An End-to-End Framework For Universal Lesion Detection With Missing
Annotations [24.902835211573628]
そこで本研究では,検出器を同時に訓練しながら,ラベルのない病変をマイニングするための新しいエンドツーエンドフレームワークを提案する。
本研究の枠組みは,高信頼度予測と,学生モデル学習のための部分的にラベル付けされた基礎的真理が組み合わさっている。
論文 参考訳（メタデータ） (2023-03-27T09:16:10Z) - Rethinking Semi-Supervised Medical Image Segmentation: A
Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。
まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。
5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文 参考訳（メタデータ） (2023-02-03T13:50:25Z) - Self-Supervised Learning as a Means To Reduce the Need for Labeled Data
in Medical Image Analysis [64.4093648042484]
胸部X線画像のデータセットとバウンディングボックスラベルを用いて,13種類の異常の分類を行った。
ラベル付きデータの平均精度と精度を60%に抑えることで,完全教師付きモデルと同等の性能が得られることを示す。
論文 参考訳（メタデータ） (2022-06-01T09:20:30Z) - Weakly-Supervised Cross-Domain Adaptation for Endoscopic Lesions
Segmentation [79.58311369297635]
異なるデータセットにまたがるトランスファー可能なドメイン不変知識を探索できる,新しい弱い教師付き病巣移動フレームワークを提案する。
wasserstein quantified transferability frameworkは、広い範囲の転送可能なコンテキスト依存性を強調するために開発されている。
新規な自己監督型擬似ラベル生成器は、送信困難かつ転送容易なターゲットサンプルの両方に対して、確実な擬似ピクセルラベルを等しく提供するように設計されている。
論文 参考訳（メタデータ） (2020-12-08T02:26:03Z) - Correcting Data Imbalance for Semi-Supervised Covid-19 Detection Using
X-ray Chest Images [4.1950566803514935]
半教師付きディープラーニングアーキテクチャMixMatchの性能評価を行った。
新しいデータセットは、コスタリカの成人患者の胸部X線画像からなる検証データセットに含まれる。
論文 参考訳（メタデータ） (2020-08-19T15:16:57Z) - Multi-label Thoracic Disease Image Classification with Cross-Attention
Networks [65.37531731899837]
胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。
また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
論文 参考訳（メタデータ） (2020-07-21T14:37:00Z) - 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。