論文の概要: SCDM: Spatial-Contextual Disentanglement Mamba via Differential Inference for Efficient Image Classification

• arxiv url: http://arxiv.org/abs/2609.12825v1
• Date: Fri, 11 Sep 2026 13:21:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-15 07:38:31.755906
• Title: SCDM: Spatial-Contextual Disentanglement Mamba via Differential Inference for Efficient Image Classification
• Title（参考訳）: SCDM:画像分類のための差分推論による空間的・文脈的アンタングルメント・マンバ
• Abstract要約: 状態空間モデル(SSM)は、医用画像解析における長距離依存をモデル化するための効率的な代替手段として登場した。 しかし、微妙な病理特徴と視覚的に類似した解剖学的背景を区別することは大きな課題である。 本研究では,空間-文脈差分マンバ (SCDM) を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: State Space Models (SSMs), particularly VMamba, have emerged as efficient alternatives for modeling long-range dependencies in medical image analysis. However, distinguishing subtle pathological features from visually similar anatomical backgrounds remains a significant challenge. Existing SSM architectures often learn entangled representations, lacking explicit mechanisms to separate disease-specific signals from normal anatomy. To address this limitation, we propose Spatial-Contextual Differential Mamba (SCDM), an asymmetric dual-branch architecture designed for selective representational disentanglement. SCDM introduces a Positive Branch for extracting discriminative features and a Negative Branch that actively models and suppresses normal anatomical context. This separation is achieved through a similarity-driven repulsion gate and a differential inference rule, which promote competitive feature learning without requiring additional branch labels or increasing model capacity. Evaluated on the RSNA Pneumonia dataset, SCDM achieves competitive classification performance (AUC of 0.858) while requiring significantly fewer parameters (29.4M) and FLOPs (1.44G) compared to standard VMamba and vision transformer baselines. Furthermore, activation analyses demonstrate that our differential mechanism yields highly precise localization, effectively isolating lesions by inhibiting irrelevant anatomical distractors.
• Abstract（参考訳）: 状態空間モデル(SSM)、特にVMambaは、医用画像解析における長距離依存をモデル化するための効率的な代替手段として登場した。 しかし、微妙な病理特徴と視覚的に類似した解剖学的背景を区別することは大きな課題である。 既存のSSMアーキテクチャはしばしば絡み合った表現を学習し、疾患固有の信号を正常な解剖から分離する明確なメカニズムを欠いている。 この制限に対処するため,非対称な2分岐アーキテクチャである空間-文脈微分マンバ (SCDM) を提案する。 SCDMは、識別的特徴を抽出する正の枝と、正常な解剖学的文脈を積極的にモデル化し抑制する負の枝を導入する。 この分離は、類似性駆動の反発ゲートと差動推論規則によって達成され、分岐ラベルの追加やモデルキャパシティの増大を必要とせず、競争的特徴学習を促進する。 RSNA Pneumoniaデータセットに基づいて評価され、SCDMは、標準的なVMambaやビジョントランスフォーマーベースラインに比べて、パラメータ(29.4M)とFLOP(1.44G)を著しく少なくしながら、競合分類性能(AUC of 0.858)を達成する。 さらに, アクティベーション解析により, 高い精度の局在が得られ, 無関係な解剖学的障害を抑えることにより, 病変を効果的に分離することが明らかとなった。

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)
• Motion-Guided Causal Disentanglement for Robust Multi-View Cine Cardiac MRI Diagnosis [0.4638331367650009]
  本稿では,ViT-MAEバックボーン上に構築したMoViDフレームワークを提案する。 プライベートな臨床静脈血栓症データセットと2つの公開ベンチマークの枠組みについて検討した。
  論文  参考訳（メタデータ） (2026-06-03T03:45:11Z)
• PathAR: Structure-First Autoregressive Synthesis of Multimodal Pathology Images [51.428093790826814]
  そこで我々は, モーダリティ・ラベル条件付き病理モデル (PathAR) を用いて, 構造と外観を分解し, 自己回帰モデル(PathAR)を提案する。 PathARは、不均一なモダリティ固有の外観下で形態を安定化し、空間的に整列したイメージマスクペア生成を可能にする。
  論文  参考訳（メタデータ） (2026-06-01T01:43:48Z)
• MARVEL: Universal Murray's Law-informed Vessel Tree Segmentation and Topology Estimation [75.40785674602147]
  血管セグメンテーションのための深層学習法は、しばしば生物物理学的な制約を無視している。 これは生理的に不確実な分岐と誤分類の血管木につながる。 バイオ物理の先駆体を血管樹抽出に組み込んだ背骨非依存フレームワークMARVELについて紹介する。
  論文  参考訳（メタデータ） (2026-05-25T02:32:29Z)
• D3Seg: Dependency-Aware Diffusion for Brain Tumor Segmentation with Missing Modalities [54.87947751720332]
  欠落モード設定下での安定した性能を維持するために,新しいセグメンテーションモデルD3Segを提案する。 提案モデルでは, 腫瘍造影法 (ET) で約1.5～2.0%, 腫瘍コア法 (TC) で約1.0%, 複数の欠損モードで約1.0%を達成している。
  論文  参考訳（メタデータ） (2026-05-21T09:55:42Z)
• Multi-View Synergistic Learning with Vision-Language Adaption for Low-Resource Biomedical Image Classification [59.24009931000134]
  MVSL(Multi-View Synergistic Learning)は、適応パラダイム、表現の粒度、疾患の意味的関係に対処する統合フレームワークである。 MVSLは、視覚的およびテキスト的エンコーダの適応を分離し、それぞれの表現特性を尊重する。 さらに、グローバルなイメージセマンティクスと局所的な病変レベルの証拠の両方を明示的にモデル化するために、多粒性コントラスト学習を導入する。 MVSLは、いくつかのショットとゼロショットの分類設定において、最先端のメソッドを一貫して上回る。
  論文  参考訳（メタデータ） (2026-04-27T02:41:27Z)
• A Hybrid Architecture for Benign-Malignant Classification of Mammography ROIs [7.489722641968593]
  本稿では,ローカル特徴抽出のためのEfficientNetV2-Mと,効率的なグローバルコンテキストモデリングのためのVision Mambaを組み合わせたハイブリッドアーキテクチャを提案する。 強いCNNバックボーンと線形複雑配列モデルを組み合わせることで、強い病変レベルの分類性能を実現する。
  論文  参考訳（メタデータ） (2026-04-14T08:28:21Z)
• Context-Aware Asymmetric Ensembling for Interpretable Retinopathy of Prematurity Screening via Active Query and Vascular Attention [1.8420107091891775]
  未熟児網膜症(ROP:Retinopathy of Prematurity)は、小児期盲症の主要な原因の一つである。 現在のディープラーニングモデルは、大きなプライベートデータセットとパッシブマルチモーダル融合に大きく依存している。 本研究では,2つの専門ストリームによる臨床推論をシミュレートする文脈認識非対称アンサンブルモデル(CAAアンサンブル)を提案する。
  論文  参考訳（メタデータ） (2026-02-05T02:06:26Z)
• Joint-octamamba:an octa joint segmentation network based on feature enhanced mamba [2.7611545247536355]
  網膜血管(RV)セグメンテーションの現在の2D法は、精度が不十分である。 本稿では,複数の特徴抽出モジュールをMamba状態空間モデルに統合した新しいアーキテクチャであるRVMambaを提案する。 FAZMambaと統合型OCTAMambaフレームワークを紹介する。
  論文  参考訳（メタデータ） (2025-09-15T07:36:21Z)
• SAMba-UNet: SAM2-Mamba UNet for Cardiac MRI in Medical Robotic Perception [34.79269228659671]
  自動心臓MRI領域における病理的特徴抽出のための新しいデュアルエンコーダアーキテクチャSAMba-UNetを提案する。 SAMba-UNet は 0.9103 と HD95 の 1.0859 mm を達成し、特に右心室のような挑戦的な構造のために境界の局在を改善した。 その頑丈で高忠実なセグメンテーションマップは、インテリジェントな医療・外科ロボットシステムにおける知覚モジュールとして直接適用できる。
  論文  参考訳（メタデータ） (2025-05-22T06:57:03Z)
• Guided Reconstruction with Conditioned Diffusion Models for Unsupervised Anomaly Detection in Brain MRIs [35.46541584018842]
  Unsupervised Anomaly Detection (UAD) は、正常なトレーニング分布から異常を外れ値として識別することを目的としている。 生成モデルは、与えられた入力画像に対する健康な脳解剖の再構築を学ぶために使用される。 本稿では,入力画像の潜在表現から得られた付加情報を用いて拡散モデルの復調過程を条件付けることを提案する。
  論文  参考訳（メタデータ） (2023-12-07T11:03:42Z)
• Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
  機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。 発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。 ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2023-05-18T06:54:56Z)

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。