論文の概要: Decoupling Disease, Covariates, and Individual Variability: A Unified Disentanglement Framework for Medical Image Classification
- arxiv url: http://arxiv.org/abs/2609.25650v1
- Date: Tue, 22 Sep 2026 04:02:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-23 18:04:04.202291
- Title: Decoupling Disease, Covariates, and Individual Variability: A Unified Disentanglement Framework for Medical Image Classification
- Title（参考訳）: Decoupling Disease, Covariates, and individual Variability: an Unified Disentanglement Framework for Medical Image Classification (特集:医療画像の分類)
- Abstract要約: 本稿では,MedIDL(MedIDL)フレームワークについて述べる。
MedIDLは画像の特徴を3つの空間にマッピングする。
様々な画像モダリティを含む7つのデータセットを対象に、我々のフレームワークを評価した。
- 参考スコア（独自算出の注目度）: 27.9593448073016
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurately isolating disease-related features from confounding covariates (e.g., age, gender, site) and individual variations remains a fundamental challenge in medical image classification. Traditional regression-based approaches may ignore non-linear relations between image features and true covariates. To overcome this issue, we present a generalized Medical Imaging Disentanglement Learning (MedIDL) framework. MedIDL maps image features into three mutually orthogonal latent spaces through specialized disentanglement heads: a disease classification head guided by a supervised loss, a covariate-alignment head constrained by cross-subject similarity matching, and a Gaussian head absorbing individual variations. We evaluated our framework across 7 datasets encompassing diverse imaging modalities. MedIDL outperforms state-of-the-art supervised and self-supervised classification methods in accuracy across all datasets. Association analyses demonstrate that MedIDL successfully isolates target-specific latent representations. Gradient-based interpretability mappings localize pathognomonic patterns aligning with established clinical literature.
- Abstract（参考訳）: 医学的画像分類において、共変量(例えば、年齢、性別、場所)と個人差から疾患関連の特徴を正確に分離することが根本的な課題である。
従来の回帰に基づくアプローチは、画像特徴と真の共変量の間の非線形関係を無視しうる。
この問題を克服するために,医用イメージング・ディスタングルメント・ラーニング(MedIDL)フレームワークを提案する。
MedIDLは、画像の特徴を、特殊な不整合ヘッドを通して3つの直交遅延空間にマッピングする: 教師付き損失によって誘導される疾患分類ヘッド、クロスオブジェクト類似性マッチングによって拘束される共変量アライメントヘッド、そして個々のバリエーションを吸収するガウスヘッド。
様々な画像モダリティを含む7つのデータセットを対象に、我々のフレームワークを評価した。
MedIDLは、すべてのデータセットの正確さにおいて、最先端の教師付きおよび自己教師付き分類方法より優れています。
相関解析により、MedIDLは標的特異的潜伏表現を正常に単離できることが示されている。
グラディエントに基づく解釈可能性マッピングは、確立された臨床文献と整合したパノグノモニックパターンを局在させる。
関連論文リスト
- MIFR: A Modality-Invariant and Fair Representation Framework for Skin Disease Classification [0.5437050212139087]
本研究は、皮膚疾患分類のための公正表現(MIFR)を備えたモダリティ不変フレームワークを提案する。
このアーキテクチャは、ViTベースのエンコーダを用いて、臨床写真と皮膚画像とを照合し、各入力を高次元の埋め込み空間に投影する。
HIBA+Derm7ptペアデータセットと外部PAD-UFES-20およびISIC 2019データセットの実験は、モダリティ不変表現学習が競合予測性能を提供することを示した。
論文 参考訳（メタデータ） (2026-08-19T10:32:03Z) - Anatomy-Aware Unsupervised Detection and Localization of Retinal Abnormalities in Optical Coherence Tomography [4.828654519487229]
教師なしの異常検出フレームワークは、病変のアノテーションなしで正常な網膜解剖の規範的な分布を学習する。
網膜層を意識した3重項学習と構造的三重項学習を併用し,病的表現と健康的表現を分離する。
Kermany データセット (AUROC: 0.799) では,VAE, VQVAE, VQGAN, f-AnoGAN ベースラインを大幅に上回っている。
論文 参考訳（メタデータ） (2026-04-24T01:09:05Z) - Meta-Entity Driven Triplet Mining for Aligning Medical Vision-Language Models [9.76070837929117]
既存のアライメント手法は、微粒な病理属性の分離よりも病気のクラス間の分離を優先する。
本稿では,マルチモーダル三重項学習による画像テキストアライメントを向上させる新しい手法であるMedTrimを提案する。
我々の実証では,MedTrimは,最先端のアライメント手法と比較して,下流検索および分類タスクの性能を向上させることが示されている。
論文 参考訳（メタデータ） (2025-04-22T14:17:51Z) - Enhancing Multimodal Medical Image Classification using Cross-Graph Modal Contrastive Learning [9.902648398258117]
本稿では,医用画像分類を改善するために,マルチモーダル構造化データを対象としたクロスグラフ・モーダルコントラスト学習フレームワークを提案する。
提案手法は、パーキンソン病(PD)データセットと公共メラノーマデータセットの2つのデータセットで評価される。
以上の結果から,CGMCLは従来手法よりも精度,解釈可能性,早期疾患予測に優れていたことが示唆された。
論文 参考訳（メタデータ） (2024-10-23T01:25:25Z) - QUBIQ: Uncertainty Quantification for Biomedical Image Segmentation Challenge [93.61262892578067]
医用画像分割作業の不確実性、特にラター間変動性は重要な課題である。
この可変性は、自動セグメンテーションアルゴリズムの開発と評価に直接影響を及ぼす。
バイオメディカル画像量化チャレンジ(QUBIQ)における不確実性の定量化のベンチマーク結果を報告する。
論文 参考訳（メタデータ） (2024-03-19T17:57:24Z) - 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) - GraVIS: Grouping Augmented Views from Independent Sources for
Dermatology Analysis [52.04899592688968]
皮膚科画像から自己教師付き特徴を学習するために特に最適化されたGraVISを提案する。
GraVISは、病変のセグメンテーションと疾患分類のタスクにおいて、転送学習と自己教師型学習を著しく上回っている。
論文 参考訳（メタデータ） (2023-01-11T11:38:37Z) - Malignancy Prediction and Lesion Identification from Clinical
Dermatological Images [65.1629311281062]
臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。
まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
論文 参考訳（メタデータ） (2021-04-02T20:52:05Z) - Co-Heterogeneous and Adaptive Segmentation from Multi-Source and
Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion
Segmentation [48.504790189796836]
我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。
本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。
CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
論文 参考訳（メタデータ） (2020-05-27T06:58:39Z) - 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。