論文の概要: MedTokenBudget: Lesion-Preserving Token Routing for Dermoscopic Image Classification

• arxiv url: http://arxiv.org/abs/2609.30613v1
• Date: Thu, 24 Sep 2026 22:56:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.155665
• Title: MedTokenBudget: Lesion-Preserving Token Routing for Dermoscopic Image Classification
• Title（参考訳）: MedTokenBudget:皮膚内視鏡画像分類のための病変保存型トークンルーティング
• Abstract要約: 既存のトークンプルーニング法は、一般的なサリエンシや類似性信号を使ってトークンを減らすが、残っているサブセットがまだ病変を含んでいるかどうかを問うことは稀である。 本稿では,コンパクトな病変に富んだ表現を構築することを学ぶ,教師付きポストバックボーントークンルーティングフレームワークであるMedTokenBudgetを紹介する。 ISIC 2019では、マスクを監督するLATSは、RandomとToMeのヘッドライン予算を一貫して上回り、病変のパッチをかなり多く保持している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dermoscopy classifiers built on Vision Transformers process all image patches uniformly, although diagnostic evidence is concentrated in the lesion region. Existing token pruning methods reduce tokens using generic saliency or similarity signals, but rarely ask whether the retained subset still contains the lesion. This paper introduces MedTokenBudget, a supervised post-backbone token routing framework that learns to construct compact lesion-enriched representations when auxiliary lesion masks are available. Its Lesion-Aware Token Scoring (LATS) module fuses attention entropy, feature norm, and local feature contrast through a learned scorer, then routes the top-$K$ patches under a target budget. LATS is trained with budget curriculum learning, diversity regularization, attention distillation, and lesion-mask supervision. The trained router is evaluated with a lesion retention rate that directly measures how much ground-truth lesion evidence survives the token budget. On ISIC 2019, mask-supervised LATS consistently outperforms Random and ToMe at headline budgets while retaining substantially more lesion patches. Code is provided for reproducibility, and complete tabulated results are included in the supplementary material.
• Abstract（参考訳）: 視覚変換器上に構築された皮膚内視鏡分類器はすべての画像パッチを均一に処理するが、診断的証拠は病変領域に集中している。 既存のトークンプルーニング法は、一般的なサリエンシや類似性信号を使ってトークンを減らすが、残っているサブセットがまだ病変を含んでいるかどうかを問うことは稀である。 本稿では,後骨後トークンルーティングフレームワークであるMedTokenBudgetを紹介する。 Lesion-Aware Token Scoring (LATS) モジュールは、学習したスコアラーを通じて注意エントロピー、特徴ノルム、局所的な特徴コントラストを融合させ、目標予算の下で最高額のK$パッチをルーティングする。 LATSは予算のカリキュラムの学習、多様性の規則化、注意の蒸留、病変マスクの監督で訓練されている。 トレーニングされたルータは、トークン予算の残量を直接測定する病変保持率で評価される。 ISIC 2019では、マスクを監督するLATSは、RandomとToMeのヘッドライン予算を一貫して上回り、病変のパッチをかなり多く保持している。 再現性のためのコードを提供し、補足材料に完全な集計結果を含む。

関連論文リスト

• DCP-Prune: Ultra-Low Token Pruning with Distribution Consistency Preservation [55.38884985761757]
  最近のビジョントークンプルーニング法は、中程度のトークン予算ではモデル性能を効果的に維持するが、超低トークン予算では不安定になる。 Anchor-Context Graph Recovery (ACGR) と Text-Aware Token Cluster Selection (TATCS) からなる2段階のプルーニングフレームワークを提案する。 超低トークン予算下で,本手法がより優れた,より安定した性能を実現することを示す実験を行った。
  論文  参考訳（メタデータ） (2026-06-15T12:24:07Z)
• EasyLens: A Training-Free Plug-and-Play Subtle-Lesion Representation Amplifier for Medical Vision-Language Models [10.799852886898927]
  医用視覚言語モデル(VLM)のための訓練不要なプラグアンドプレイ微妙な表現増幅器 EasyLens を提案する。 EasyLensが最初に作ったEasyBankは、病理解剖学のプロトタイプスペースで、病変関連のプロトタイプと解剖学の通常の参照を提供する。 正常な組織を盲目的に増幅するのを避けるため、EasyTagは反ファクトのプロトタイプ推論を通じて病変関連パッチを選択する。 複数の医用画像データセットと凍結された医用VLMバックボーンの実験では、EasyLensは微妙な回帰検出を改善し、既存のエンコーダ・エンハンスメントベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-06-04T16:47:33Z)
• Look Carefully: Adaptive Visual Reinforcements in Multimodal Large Language Models for Hallucination Mitigation [51.743225614196774]
  マルチモーダル大言語モデル (MLLM) は視覚言語推論において顕著な進歩を遂げている。 彼らは幻覚に弱いままであり、そこで生成されたコンテンツは視覚的証拠から逸脱する。 近年の視覚強調法では、復号時に視覚トークンを補強することでこの問題に対処しようとしている。 本稿では,MLLMのトレーニングフリーフレームワークであるAdaptive Visual Reinforcement (AIR)を提案する。
  論文  参考訳（メタデータ） (2026-02-27T14:18:51Z)
• Hide-and-Seek Attribution: Weakly Supervised Segmentation of Vertebral Metastases in CT [68.09387763135236]
  脊椎レベルの健康・悪性のラベルにのみ、病変マスクを伴わずに訓練を施した弱い指導方法を提案する。 マスクの監視がないにも関わらず,強い爆発・解析性能を達成する。
  論文  参考訳（メタデータ） (2025-12-07T14:03:28Z)
• AMLP:Adaptive Masking Lesion Patches for Self-supervised Medical Image Segmentation [67.97926983664676]
  自己監督型マスク画像モデリングは自然画像に対して有望な結果を示した。 しかし,このような手法を医用画像に直接適用することは依然として困難である。 適応型マスキング病変パッチ(AMLP)の自己管理型医用画像分割フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-08T13:18:10Z)
• RECIST Weakly Supervised Lesion Segmentation via Label-Space Co-Training [30.938824115941603]
  本稿では,リッチなRECISTアノテーションを画素単位の病変セグメンテーションに活用するための弱教師付きフレームワークを提案する。 RECISTアノテーションに基づいて、病変ごとに一対のアンダーセグメンテーションマスクとオーバーセグメンテーションマスクが構築される。 提案フレームワークの優位性を示すために,公開データセット上で実験を行う。
  論文  参考訳（メタデータ） (2023-03-01T03:15:31Z)
• Self-Supervised Equivariant Regularization Reconciles Multiple Instance Learning: Joint Referable Diabetic Retinopathy Classification and Lesion Segmentation [3.1671604920729224]
  病変の出現は、糖尿病網膜症(rDR)と非参照性DRを区別する重要な手がかりである。 既存の大規模DRデータセットの多くは、ピクセルベースのアノテーションではなく、画像レベルのラベルのみを含む。 本稿では,自己教師付き同変学習と注目型マルチインスタンス学習を活用し,この問題に対処する。 我々はEyepacsデータセット上で広範囲な検証実験を行い、0.958の受信器動作特性曲線(AU ROC)の領域を達成し、現在の最先端アルゴリズムより優れている。
  論文  参考訳（メタデータ） (2022-10-12T06:26:05Z)
• Learning Inductive Attention Guidance for Partially Supervised Pancreatic Ductal Adenocarcinoma Prediction [73.96902906734522]
  膵管腺癌(PDAC)は、アメリカ合衆国で3番目に多いがん死の原因である。 本稿では,全てのトレーニングデータに対して安価な画像レベルのアノテーションが提供され,それらのサブセットに対してのみ,コストのかかるvoxelアノテーションが利用可能となる,部分教師付き設定について考察する。 Inductive Attention Guidance Network (IAG-Net) を提案し、通常の/PDAC分類のためのグローバル画像レベルの分類器と半教師付きPDAC分類のためのローカルボクセルレベルの分類器を共同で学習する。
  論文  参考訳（メタデータ） (2021-05-31T08:16:09Z)
• 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)
• Multi-level colonoscopy malignant tissue detection with adversarial CAC-UNet [9.861549900260833]
  CAC-UNet を用いた高効率多段階悪性組織検出法を提案する。 負のWSIを除去するために、プレプレディション戦略と悪性領域誘導ラベル平滑化を備えたパッチレベルモデルを採用する。 The proposed scheme is the best results in MICCAI DigestPath 2019 Challenge on colonoscopy tissue segmentation and classification task。
  論文  参考訳（メタデータ） (2020-06-29T11:49:58Z)

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。