論文の概要: MDSkin-Net: Multi-Task Skin Lesion Analysis Driven by Pattern Analysis Priors and Spatial Alignment Regularization

• arxiv url: http://arxiv.org/abs/2609.30855v1
• Date: Fri, 25 Sep 2026 06:02:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.240188
• Title: MDSkin-Net: Multi-Task Skin Lesion Analysis Driven by Pattern Analysis Priors and Spatial Alignment Regularization
• Title（参考訳）: MDSkin-Net:パターン解析によるマルチタスク皮膚病変解析と空間配向規則化
• Abstract要約: キューレベルのパターン解析をCNN-Transformerアーキテクチャに組み込んだMDSkin-Netを提案する。 その中核には、異なる皮膚内視鏡的手がかりによって動機付けられた3つの前駆体からなるPattern Analysis-Guided Attention Module (PAGAM)がある。 階層型ソフト・インスペクションとしてセグメンテーション・グラウンド・トゥルースマスクを用いたマルチスケール空間アライメント・正規化(MSAR)を導入する。
• 参考スコア（独自算出の注目度）: 0.9074809442649636
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable skin lesion segmentation and classification are central to dermoscopic computer-aided diagnosis. Existing multi-task frameworks couple the two tasks architecturally without clinical knowledge, while knowledge-injecting approaches rely on the macroscopic ABCD rule, which was not designed for dermoscopy. Dermoscopic diagnosis is grounded in Pattern Analysis, a microscopic framework structured around dermoscopic features. We propose MDSkin-Net, which incorporates cue-level Pattern Analysis priors into a hybrid CNN-Transformer architecture. At its core is a Pattern Analysis-Guided Attention Module (PAGAM) comprising three priors motivated by distinct dermoscopic cues: an improved Efficient Channel Attention (iECA), a Multi-Scale Spatial Attention (MSSA), and a Biased Asymmetry Attention (BAA). We further introduce a multi-scale spatial alignment regularization (MSAR) that uses the segmentation ground-truth mask as hierarchical soft supervision, confining the classification head to lesion-localized evidence and coupling both task pathways through a shared spatial prior. Trained exclusively on the ISIC 2017 training split without external dermoscopy data, the MDSkin-Net ensemble transfers robustly under zero-shot evaluation, reaching a Dice Similarity Coefficient (DSC) of 92.38% and a melanoma AUC of 97.84%on PH2, and a DSC of 88.92% on the ISIC 2018 Task 1 test set. On the in-domain ISIC 2017 benchmark, the ensemble attains a mean Area Under the Curve (AUC) of 91.60% across the two classification tasks (melanoma and seborrheic keratosis vs. rest), and a DSC of 84.72% for segmentation. Classification remains competitive with baselines; in-domain segmentation trails single-task specialists, yet the proposed priors and alignment regularization yield representations that generalize consistently across cohorts of different scales.
• Abstract（参考訳）: 皮膚病変の鑑別と分類は皮膚内視鏡的コンピュータ支援診断の中心である。 既存のマルチタスクフレームワークは、臨床知識のない2つのタスクをアーキテクチャ的に結合するが、知識注入アプローチは、皮膚内視鏡用に設計されていないマクロなABCDルールに依存している。 皮膚内視鏡的診断は、皮膚内視鏡的特徴を中心に構築された顕微鏡的枠組みであるPattern Analysisに基礎を置いている。 キューレベルのパターン解析をCNN-Transformerアーキテクチャに組み込んだMDSkin-Netを提案する。 その中核となるのがPattern Analysis-Guided Attention Module (PAGAM) であり、これは、改良された効率性チャネルアテンション(iECA)、マルチスケール空間アテンション(MSSA)、バイアス非対称性アテンション(BAA)の3つの先駆体である。 さらに,マルチスケール空間アライメント正規化 (MSAR) を導入し, 階層型ソフト・インスペクションとしてセグメンテーション・グラウンド・トゥルースマスクを用い, 分類ヘッドを病変局所化エビデンスに収束させ, 両タスクパスを共有空間前処理により結合させる。 MDSkin-Net アンサンブルは、外部の皮膚内視鏡データなしで、ISIC 2017トレーニングでのみ訓練され、ゼロショット評価の下で、92.38%のDice similarity Coefficient (DSC)、97.84%on PH2のメラノーマAUC、そしてISIC 2018 Task 1テストセットで88.92%のDSCに達する。 ドメイン内のISIC 2017ベンチマークでは、アンサンブルは2つの分類タスク(メラノーマとセボリックケラトーシス対レスト)で平均91.60%の曲線下面積(AUC)と、セグメンテーションのDSCは84.72%に達する。 ドメイン内のセグメンテーションはシングルタスクの専門家をパスするが、提案された事前およびアライメント正規化は、異なるスケールのコホート間で一貫して一般化する。

関連論文リスト

• Prior-AttUNet: Retinal OCT Fluid Segmentation Based on Normal Anatomical Priors and Attention Gating [6.013762133627291]
  本研究は, 生成解剖学的先行を付加したセグメンテーションモデルである Pre-AttUNet を紹介する。 このフレームワークは、生成前の経路とセグメンテーションネットワークを統合するハイブリッドなデュアルパスアーキテクチャを採用している。 このモデルは計算コストが 0.37 TFLOPs で、セグメント精度と推論効率の効果的なバランスを保っている。
  論文  参考訳（メタデータ） (2025-12-25T14:37:04Z)
• Hemorica: A Comprehensive CT Scan Dataset for Automated Brain Hemorrhage Classification, Segmentation, and Detection [0.749500254646884]
  Hemoricaは、2012年から2024年の間に取得された372個の頭部CT検査の公開コレクションである。 ICHサブタイプ(EPH)、サブデューラル(SDH)、サブアラキノイド(SAH)、パーレンキマル(IPH)の5つのサブタイプ(EPH)に対して、各スキャンは徹底的に注釈付けされている。 Hemoricaは、マルチタスクとカリキュラム学習をサポートする統一されたきめ細かいベンチマークを提供する。
  論文  参考訳（メタデータ） (2025-09-26T23:09:41Z)
• Myocardial Region-guided Feature Aggregation Net for Automatic Coronary artery Segmentation and Stenosis Assessment using Coronary Computed Tomography Angiography [13.885760158090692]
  心筋領域誘導型特徴集約ネットは、冠状動脈セグメンテーションの堅牢性を高めるために、解剖学的事前知識を統合する新しいU字型二重エンコーダアーキテクチャである。 本フレームワークは,(1)ブリッジング拡張とマルチスケール機能融合による冠動脈領域への注意を誘導する心筋領域誘導モジュール,(2)並列空間チャネルの注意と残留ブロックを結合して局所的特徴識別を増強する残留特徴抽出モジュール,(3)階層的血管特徴の適応的アダプティブアグリゲーションのためのマルチスケール機能融合モジュールの3つの重要なイノベーションを取り入れている。
  論文  参考訳（メタデータ） (2025-04-27T16:43:52Z)
• Multi-Class Segmentation of Aortic Branches and Zones in Computed Tomography Angiography: The AortaSeg24 Challenge [55.252714550918824]
  AortaSeg24 MICCAI Challengeは、23の臨床的に関連する大動脈枝と領域に注釈付き100 CTA巻の最初のデータセットを導入した。 本稿では,トップパフォーマンスアルゴリズムの課題設計,データセットの詳細,評価指標,詳細な分析について述べる。
  論文  参考訳（メタデータ） (2025-02-07T21:09:05Z)
• ConDiSR: Contrastive Disentanglement and Style Regularization for Single Domain Generalization [42.810247034149214]
  医療データは、しばしば分散シフトを示し、標準パイプラインを使用してトレーニングされたディープラーニングモデルのテスト時のパフォーマンス劣化を引き起こす。 本研究は、分類タスクの文脈において、単一ドメインの一般化フレームワークを探索することの重要性と課題を強調した。
  論文  参考訳（メタデータ） (2024-03-14T13:50:44Z)
• Improved AI-based segmentation of apical and basal slices from clinical cine CMR [1.7647111545685723]
  本研究の目的は,基底スライスと尖端スライスを分割する際のAIアルゴリズムの性能を検討することである。 2つのNHS病院から得られた臨床CMRの大規模なデータセットを用いて,全モデルを訓練した。 分類とセグメンテーションのアプローチは、すべてのデータセットのパフォーマンスギャップを減らすのに最適であることを示す。
  論文  参考訳（メタデータ） (2021-09-20T10:48:50Z)
• Open-Narrow-Synechiae Anterior Chamber Angle Classification in AS-OCT Sequences [42.60167901427091]
  本稿では,AS-OCT配列に基づくオープンナロー-シナカイACA分類のための新しいシークエンス・マルチスケールアグリゲーション・ディープ・ネットワーク(SMA-Net)を提案する。 この研究は、AS-OCT配列を用いて、ACAをオープン、狭、あるいはシナチア型に分類する最初の試みであると考えている。
  論文  参考訳（メタデータ） (2020-06-09T16:00:00Z)
• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
  現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。 技術および生物学的指標を用いた提案アルゴリズムの解析を行った。 その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
  論文  参考訳（メタデータ） (2020-04-26T08:49:17Z)

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。