論文の概要: Combinatorial Network-Based Manifold Topological Deep Learning for Image Analysis

• arxiv url: http://arxiv.org/abs/2609.25453v1
• Date: Mon, 21 Sep 2026 22:09:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.131004
• Title: Combinatorial Network-Based Manifold Topological Deep Learning for Image Analysis
• Title（参考訳）: 画像解析のための組合せネットワークに基づく多様体トポロジ的深層学習
• Abstract要約: 本稿では,ホッジ分解とアテンション機構を統合したMTDLフレームワークであるCNMTDLを紹介する。 MedMNIST v2ベンチマークからCNMTDLを6次元および3次元のデータセットで評価し,医用画像解析の有効性を実証した。
• 参考スコア（独自算出の注目度）: 11.954836245551107
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical image analysis remains fundamentally challenging because of the intricate geometric and topological structures present in medical data. Conventional convolutional neural networks model images as regular Euclidean grids, limiting their ability to preserve geometric relationships and higher-order structural information. Recently, manifold topological deep learning (MTDL) has emerged as a promising paradigm that integrates deep learning with geometric and topological representations. Nevertheless, existing methods have not yet fully exploited discrete manifold structures within combinatorial complex neural networks. To bridge this gap, we introduce CNMTDL, a MTDL framework that integrates Hodge decomposition with a combinatorial attention mechanism. In our approach, medical images are represented as discrete manifolds and decomposed into three Hodge components. Features extracted from these components are concatenated and embedded into a combinatorial complex architecture, enabling enhanced higher-order message passing between $0$-cells and $2$-cells through attention-based blocks. We evaluate CNMTDL on six two-dimensional and three-dimensional datasets from the MedMNIST v2 benchmark, demonstrating its effectiveness for medical image analysis.
• Abstract（参考訳）: 医用画像解析は、医用データに存在する複雑な幾何学的・トポロジ的構造のため、基本的には困難である。 従来の畳み込みニューラルネットワークは、イメージを通常のユークリッド格子としてモデル化し、幾何学的関係と高次構造情報を保存する能力を制限する。 近年,幾何学的および位相的表現と深層学習を統合するためのパラダイムとして,多様体トポロジカルディープラーニング (MTDL) が登場している。 しかし、既存の手法はまだ組合せ複雑ニューラルネットワーク内の離散多様体構造を十分に活用していない。 このギャップを埋めるために,Hodge分解と組み合わせアテンション機構を統合したMTDLフレームワークであるCNMTDLを導入する。 本手法では, 医用画像は離散多様体として表現され, 3つのホッジ成分に分解される。 これらのコンポーネントから抽出された機能は結合されて複合アーキテクチャに組み込まれ、アテンションベースのブロックを通じて0ドルセルから2ドルセルまでの高次のメッセージパッシングを可能にする。 MedMNIST v2ベンチマークからCNMTDLを6次元および3次元のデータセットで評価し,医用画像解析の有効性を実証した。

関連論文リスト

• Beyond SBDD: Geometric Deep Learning in Polypharmacology and Multi-target Drug Design [13.645409798359053]
  「一薬一標的」パラダイムは、がんや神経変性疾患などの多因子疾患の治療には不十分である。 幾何学的深層学習(GDL)はこれらの限界を克服するための強力な積分的アプローチである。
  論文  参考訳（メタデータ） (2026-07-14T23:29:39Z)
• MMPersistence: A mathematical morphology-oriented software library for computing persistent homology on cubical complexes [2.7074235008521246]
  数学的形態学(MM、Mathematical morphology)は、画像処理において強力で広く使われているフレームワークである。 本稿では,MMPersistenceライブラリを提案する。MM操作を多種多様なSEとPH計算と統合し,永続情報を抽出する。 異なる形状のSEを用いてトポロジカルフィルタを構築することにより,デジタル画像の空間的特徴と形態的特徴の両方を符号化するMMベースのPHフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-17T11:15:56Z)
• Multimodal Visual Surrogate Compression for Alzheimer's Disease Classification [69.87877580725768]
  MVSC(Multimodal Visual Surrogate Compression)は、大規模な3D sMRIボリュームをコンパクトな2D機能に圧縮し、適応させることを学ぶ。 MVSCには2つの重要なコンポーネントがある: テキストガイダンスの下でグローバルなクロススライスコンテキストをキャプチャするボリュームコンテキストと、テキストエンハンスでパッチワイズな方法でスライスレベルの情報を集約するAdaptive Slice Fusionモジュール。
  論文  参考訳（メタデータ） (2026-01-29T13:05:46Z)
• Integrating Multi-scale and Multi-filtration Topological Features for Medical Image Classification [20.820287362872975]
  ディープニューラルネットワークは、医用画像分類において顕著な性能を示している。 マルチスケールおよびマルチフィルタ型永続的なトポロジ特徴を抽出する新しいトポロジ誘導型分類フレームワークを提案する。 我々のアプローチは、複雑な解剖学的構造を認識するためのモデルの能力を高める。
  論文  参考訳（メタデータ） (2025-12-08T06:02:02Z)
• Manifold Topological Deep Learning for Biomedical Data [10.984079011514483]
  微分可能な画像に対して初めて,多様体トポロジカルディープラーニング(MTDL)を導入する。 MTDLは競合する他の手法よりも優れており、TDLを広範囲のデータに拡張している。 MedM v2NISTベンチマークデータベースを用いてMTDLの性能を評価する。
  論文  参考訳（メタデータ） (2025-02-28T20:41:23Z)
• NexToU: Efficient Topology-Aware U-Net for Medical Image Segmentation [3.8336080345323227]
  CNNとTransformerの派生型は、主要な医療画像セグメンテーションバックボーンとして登場した。 医用画像分割のための新しいハイブリッドアーキテクチャであるNexToUを提案する。 我々の手法は、他の最先端(SOTA)アーキテクチャよりも一貫して優れています。
  論文  参考訳（メタデータ） (2023-05-25T10:18:57Z)
• S3M: Scalable Statistical Shape Modeling through Unsupervised Correspondences [91.48841778012782]
  本研究では,集団解剖学における局所的および大域的形状構造を同時に学習するための教師なし手法を提案する。 我々のパイプラインは、ベースライン法と比較して、SSMの教師なし対応推定を大幅に改善する。 我々の手法は、ノイズの多いニューラルネットワーク予測から学ぶのに十分堅牢であり、より大きな患者にSSMを拡張できる可能性がある。
  論文  参考訳（メタデータ） (2023-04-15T09:39:52Z)
• Deep Image Clustering with Contrastive Learning and Multi-scale Graph Convolutional Networks [58.868899595936476]
  コントラスト学習とマルチスケールグラフ畳み込みネットワーク(IcicleGCN)を用いた画像クラスタリング手法を提案する。 複数の画像データセットの実験は、最先端のIcicleGCNよりも優れたクラスタリング性能を示している。
  論文  参考訳（メタデータ） (2022-07-14T19:16:56Z)
• 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)
• Dist2Cycle: A Simplicial Neural Network for Homology Localization [66.15805004725809]
  単純複体は多方向順序関係を明示的にエンコードするグラフの高次元一般化と見なすことができる。 単体錯体の$k$-homological特徴によってパラメータ化された関数のグラフ畳み込みモデルを提案する。
  論文  参考訳（メタデータ） (2021-10-28T14:59:41Z)

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。