論文の概要: Anatomy-Structured Hierarchical MIL for Weakly-Supervised Thoracic Disease Detection in Chest X-rays

• arxiv url: http://arxiv.org/abs/2609.33520v1
• Date: Sun, 27 Sep 2026 12:42:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-05 16:08:12.720364
• Title: Anatomy-Structured Hierarchical MIL for Weakly-Supervised Thoracic Disease Detection in Chest X-rays
• Title（参考訳）: 胸部X線下胸部病変検出のための解剖学的構造的階層的MIL
• Abstract要約: 胸部X線検査では, 微妙な外観と複雑な解剖学的重複が原因で, 軽度に管理された胸部疾患検出が困難である。 本稿では, 並列解剖構造観察枝(心臓, 肺, 解剖学的不可知)と階層的MILアグリゲーションを併用した枠組みを提案する。 CXR8およびクロスドメインMIMIC-CXRホールドアウトセットの実験は、以前の弱い教師付きおよび解剖学的アプローチよりも一貫した改善を示している。
• 参考スコア（独自算出の注目度）: 3.567308748777054
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Weakly-supervised thoracic disease detection in chest X-rays (CXR) is challenging due to subtle appearances and complex anatomical overlap, motivating anatomy-aware modeling for improved localization. However, prior anatomy-aware methods typically rely on coarse region proxies or static spatial priors, which may restrict dynamic instance discovery and limit precise localization of small abnormalities. We propose Anatomy-Structured Hierarchical Multiple Instance Learning (ASH-MIL), a framework that introduces parallel anatomy-structured observation branches (cardiac, pulmonary, and agnostic) combined with hierarchical MIL aggregation. Anatomical priors are injected as soft spatial biases into decoder cross-attention, enabling anatomically grounded evidence maps without disease bounding-box supervision. Instance localization is derived directly from MIL-weighted cross-attention maps without bounding box supervision. Experiments on CXR8 and cross-domain MIMIC-CXR held-out sets demonstrate consistent improvements over prior weakly-supervised and anatomy-aware approaches, particularly under stricter localization criteria. Our code is available at https://github.com/jn-kim/ash-mil.
• Abstract（参考訳）: 胸部X線検査 (CXR) では, 微妙な外見と複雑な解剖学的重複が原因で, 局所性の改善を目的とした解剖学的検討が困難である。 しかし、従来の解剖学的手法は、通常、粗い領域のプロキシや静的な空間的先行に頼っているため、動的インスタンス発見を制限し、小さな異常の正確な位置決めを制限できる。 ASH-MIL(ASH-MIL)は, 解剖学的に並列な観察枝(心, 肺, 不可知)と階層的MILアグリゲーションを組み合わせたフレームワークである。 解剖学上の先行情報は、デコーダのクロスアテンションにソフトな空間バイアスとして注入され、疾患境界箱を監督せずに解剖学的に根拠付けられたエビデンスマップが実現される。 インスタンスのローカライゼーションは、バウンディングボックスの監督なしに、MIL重み付きクロスアテンションマップから直接引き起こされる。 CXR8とクロスドメインMIMIC-CXRのホールドアウトセットの実験は、特により厳密なローカライゼーション基準の下で、以前の弱い教師付きおよび解剖学的アプローチよりも一貫した改善を示した。 私たちのコードはhttps://github.com/jn-kim/ash-mil.comから入手可能です。

関連論文リスト

• AnaDiffusion: Anatomically CompositionalLatent Diffusion for Controllable 3D Brain MRI Generation [58.56402940400457]
  3次元脳MRIは、医用画像、シミュレーション、および制御可能な解剖学的解析において大きな進歩を遂げた。 本稿では,AnaDiffusionを紹介した。AnaDiffusionは解剖学的に有意な領域に生成過程を分解する,解剖学的に構成された潜在拡散フレームワークである。 AnaDiffusionは明示的な部分資産とグローバルなコヒーレントボリュームの両方を生成し、制御可能な部分編集を可能にする。
  論文  参考訳（メタデータ） (2026-08-24T09:16:42Z)
• MAC-XA: Multi-view Anatomy-Correspondence Fusion for Coronary Stenosis Reporting from X-ray Angiography [46.98348758460767]
  冠動脈X線写真における多視点推論は本質的に横射影幾何学的問題である。 我々は、幾何学に基づくパッチレベルの対応管理を公開するために、制御可能な合成血管造影生成戦略を導入する。 合成データおよびゼロショットの実際の血管造影への移動実験により、このアライメントに制約のある設計は、一致の整合性と構造化狭窄の報告を改善することが示されている。
  論文  参考訳（メタデータ） (2026-07-07T13:33:25Z)
• Anatomy-Informed Deep Learning for Abdominal Aortic Aneurysm Segmentation [0.0]
  臓器除去マスクをトレーニングプロセスに統合する解剖学的認識型セグメンテーションフレームワークを提案する。 これらのマスクは、非血管器官を同定し、これらの領域内での動脈瘤の予測をペナルティ化することによって、明確な解剖学的先行を符号化する。 比較的小さなデータセットでトレーニングされているにもかかわらず、解剖学的に高い精度を実現し、偽陽性を大幅に低減し、標準のU-Netベースラインと比較して境界の整合性を改善する。
  論文  参考訳（メタデータ） (2026-04-11T18:27:35Z)
• CheXLearner: Text-Guided Fine-Grained Representation Learning for Progression Detection [14.414457048968439]
  我々は、解剖学的領域の検出、構造的アライメント、意味的ガイダンスを統合する最初のエンドツーエンドフレームワークであるCheXLearnerを紹介する。 提案したMed-Manifold Alignment Module (Med-MAM) は双曲幾何学を利用して解剖学的構造を強固に整列させる。 本モデルでは,下流疾患分類における平均AUCスコアが91.52%に達し,その優れた特徴表現が検証された。
  論文  参考訳（メタデータ） (2025-05-11T08:51:38Z)
• Anatomy-Driven Pathology Detection on Chest X-rays [17.670821896026137]
  本稿では,解剖学のプロキシとして解剖学的領域の境界ボックスを用いた解剖学駆動型病理診断(ADPD)を提案する。 解剖学レベルの病理組織ラベルを用いた教師ありトレーニングと画像レベルの病理組織ラベルを用いたマルチインスタンスラーニング(MIL)の2つのトレーニング手法について検討した。 以上の結果から,我々の解剖学レベルのトレーニングアプローチは,弱い教師付き手法と限られたトレーニングサンプルによる完全な教師付き検出よりも優れていた。
  論文  参考訳（メタデータ） (2023-09-05T20:58:15Z)
• 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)
• SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection [76.01333073259677]
  無線画像からの異常検出のための空間認識型メモリキューを提案する(略してSQUID)。 SQUIDは, 微細な解剖学的構造を逐次パターンに分類でき, 推測では画像中の異常(見えない/修正されたパターン)を識別できる。
  論文  参考訳（メタデータ） (2021-11-26T13:47:34Z)
• Anatomy X-Net: A Semi-Supervised Anatomy Aware Convolutional Neural Network for Thoracic Disease Classification [3.888080947524813]
  この研究は、解剖学的注意に基づくアーキテクチャAnatomy X-Netを提案する。 事前に同定された解剖学的領域によって導かれる空間的特徴を優先する。 提案手法は,AUCスコアが0.8439のNIHテストセットに対して,新しい最先端性能を設定できる。
  論文  参考訳（メタデータ） (2021-06-10T17:01:23Z)

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。