論文の概要: From Image Latent Space to Fuzzy Rules: Interpretable Analysis of Gastrointestinal Foundation Model

• arxiv url: http://arxiv.org/abs/2610.00414v1
• Date: Wed, 30 Sep 2026 14:14:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.649391
• Title: From Image Latent Space to Fuzzy Rules: Interpretable Analysis of Gastrointestinal Foundation Model
• Title（参考訳）: 画像遅延空間からファジィ規則へ:消化器基礎モデルの解釈解析
• Abstract要約: 本研究では,事前学習した基礎モデルの内層が生み出すパッチレベルの特徴を解釈するプロトタイプベースのファジィルールフレームワークを提案する。 パッチの特徴はプロトタイプの類似性として表現され、人間の可読性を持つ言語IF-THEN条件のファジィ規則によって分類される。 このフレームワークは ImageNet-1K と GastroNet-5M で事前訓練された ViT-S/16 バックボーンの最後の2ブロックに適用される。
• 参考スコア（独自算出の注目度）: 3.716965622352967
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Foundation models pretrained on large-scale datasets demonstrate strong transferability to medical imaging tasks. However, understanding how their latent representations encode clinically relevant information remains an open challenge in safety-critical domains. This study proposes a prototype-based fuzzy-rule framework that interprets the patch-level features produced by the inner layers of pretrained foundation models, without any fine-tuning. Class-specific prototypes are learned by clustering in the feature space, yielding compact visual patterns. Patch features are then expressed as prototype similarities and classified by fuzzy rules with linguistic IF-THEN conditions that are human readable. The framework is applied across the final two blocks of ViT-S/16 backbones pretrained on ImageNet-1K and GastroNet-5M, and benchmarked against k-nearest neighbours, kernel SVM, and linear probing under identical frozen features, on wireless capsule endoscopy classification, gastrointestinal endoscopy classification, and colonic polyp segmentation. The experimental analysis shows that the proposed method, without backbone fine-tuning, reaches accuracy comparable to these black-box classifiers, and that domain-specific pretraining yields features that are both discriminative and symbolically compressible. Because the resulting rules are extracted from real data and expressed in interpretable terms, they are further used as an instrument to investigate synthetic medical images, providing a human-readable account of which real prototypes and rules a generator reproduces or fails to reproduce, localising where a synthetic image departs from real tissue rather than summarising it with a single score. The framework thus offers a transparent, depth-resolved view of how foundation models organise clinically relevant structure, together with a practical downstream use of the extracted rules.
• Abstract（参考訳）: 大規模データセットに事前訓練された基礎モデルは、医用画像タスクに強い伝達性を示す。 しかし、それらの潜伏表現がどのように臨床的に関連のある情報をエンコードしているかを理解することは、安全クリティカルドメインにおいてオープンな課題である。 本研究では,事前学習した基礎モデルの内層が生み出すパッチレベルの特徴を微調整なしで解釈するプロトタイプベースのファジィルールフレームワークを提案する。 クラス固有のプロトタイプは、特徴空間のクラスタリングによって学習され、コンパクトな視覚パターンが得られる。 パッチの特徴はプロトタイプの類似性として表現され、人間の可読性を持つ言語IF-THEN条件のファジィ規則によって分類される。 このフレームワークは、ImageNet-1KとGastroNet-5Mで事前訓練されたViT-S/16バックボーンの最後の2ブロックにわたって適用され、無線カプセル内視鏡分類、消化管内視鏡分類、大腸ポリプセグメンテーションにおいて、k-アネレスト近傍、カーネルSVM、リニアプローブと同一の凍結条件下でベンチマークされた。 実験により,提案手法は背骨微細調整なしで,これらのブラックボックス分類器に匹敵する精度に到達し,ドメイン固有の事前学習により識別可能かつ記号的に圧縮可能な特徴が得られた。 得られたルールは、実際のデータから抽出され、解釈可能な用語で表現されるため、合成医療画像を調べるための道具としてさらに用いられる。 したがって、このフレームワークは、基礎モデルが臨床的に関連する構造をどのように構成するかを透過的で深く解決した視点と、抽出されたルールの実用的な下流利用を提供する。

関連論文リスト

• FFM-CP: Cross-Backbone Fusion of Vision-Language Foundation Models for Few-Shot Computational Pathology [4.671205676564538]
  Few-shot Fusion Foundation Models of Computational Pathology (FFM-CP)は、複数の病理の視覚言語モデルを組み合わせたフレームワークである。 整列空間内では、統合グラフは、サポートイメージ機能と視覚的およびテキスト的クラスのプロトタイプを併用することで、バックボーン間での情報交換を可能にする。 FFM-CPは、54個の比較のうち50個の融合集合において、最強の個別適応部材よりも高い平均マクロF1を達成する。
  論文  参考訳（メタデータ） (2026-09-23T11:28:09Z)
• Primitive-Driven Compositional Forensic Visual Prompting for Open-World Face Anti-Spoofing [59.765442274924595]
  視覚的特徴空間で完全に機能する合成視覚的プロンプト学習フレームワークを提案する。 このフレームワークは、学習可能なマイクロ法医学的プリミティブの共有セットを局所的な法医学的エビデンスユニットに洗練するためにパッチ対応の注意を払っている。 9つのオープンワールドプロトコルの実験は、最先端のパフォーマンス、強力なクロスドメインの一般化、そして目に見えない攻撃への堅牢な適応を示す。
  論文  参考訳（メタデータ） (2026-08-18T04:18:08Z)
• Structuring Semantic Embeddings for Principle Evaluation: A Prototype-Guided Contrastive Learning Approach [58.15427952222424]
  汎用的なテキスト埋め込みはそのようなタスクに広くデプロイされているが、意味的類似性は意味的に似ているがタスク固有の例を示すことができる。 本稿では,凍結したテキスト埋め込み上に構築された幾何正規化モジュールであるPGCL(Prototype-Guided Contrastive Learning)を紹介する。
  論文  参考訳（メタデータ） (2026-08-15T13:19:25Z)
• EndoVLM: An Endoscopy Vision-Language Pre-training Model via Anatomy-Guided Sparsity and Progressive Alignment [15.371433625713232]
  EndoVLMは348K以上の内視鏡検査で事前訓練された新しい視覚言語FMである。 Anatomy-Guided Sparse Poolingメカニズムは、テキスト記述をクエリとして利用してスパース注意を喚起する。 プログレッシブ・セマンティック・アウェア・アライメント・ストラテジー(Progressive Semantic-Aware Alignment Strategy)は、構造化されたソフトターゲットを介して臨床分類(解剖学と病理学)をモデル化する。 Semantic-Concentrated Masked Autoencoderは、これらのセマンティックリッチなフレームにのみ適用され、低レベルの視覚的精度と堅牢な高レベルのセマンティック表現を統合する。
  論文  参考訳（メタデータ） (2026-08-05T05:56:41Z)
• ConStruct: Structural Distillation of Foundation Models for Prototype-Based Weakly Supervised Histopathology Segmentation [16.733170895296343]
  病理組織学におけるWSSS (Weakly supervised semantic segmentation) は分類バックボーンに大きく依存している。 本研究では,CONCHのモルフォロジー認識表現,SegFormerのマルチスケール構造的キュー,テキスト誘導型セマンティックアライメントを統合したプロトタイプ学習フレームワークを提案する。 提案手法は, ピクセルレベルのアノテーションを使わずに高品質な擬似マスクを作製し, 局所化完全性を改善し, 組織タイプ間のセマンティック一貫性を高める。
  論文  参考訳（メタデータ） (2025-12-11T06:08:29Z)
• LapFM: A Laparoscopic Segmentation Foundation Model via Hierarchical Concept Evolving Pre-training [39.51756689308245]
  ラプFM(LapFM)は、大規模な未ラベルの手術画像から、堅牢なセグメンテーション能力を進化させるために設計された基礎モデルである。 本稿では,階層的一貫性に基づいて疑似ラベルを反復的に生成・フィルタリングする信頼駆動進化ラベルを提案する。 このプロセスは114Kのイメージマスク対からなる大規模ベンチマークであるLapBench-114Kを生成する。
  論文  参考訳（メタデータ） (2025-12-09T10:09:31Z)
• PathSegDiff: Pathology Segmentation using Diffusion model representations [63.20694440934692]
  そこで我々は,Latent Diffusion Models (LDMs) を事前学習した特徴抽出器として活用する,病理組織像分割の新しい手法であるPathSegDiffを提案する。 本手法は,H&E染色組織像から多彩な意味情報を抽出するために,自己教師型エンコーダによって誘導される病理特異的LCMを用いる。 本実験は,BCSSおよびGlaSデータセットにおける従来の手法よりも大幅に改善されたことを示す。
  論文  参考訳（メタデータ） (2025-04-09T14:58:21Z)
• 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)
• VAESim: A probabilistic approach for self-supervised prototype discovery [0.23624125155742057]
  条件付き変分オートエンコーダに基づく画像階層化アーキテクチャを提案する。 我々は、連続した潜伏空間を用いて障害の連続を表現し、訓練中にクラスターを見つけ、画像/患者の成層に使用することができる。 本手法は,標準VAEに対して,分類タスクで測定されたkNN精度において,ベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-09-25T17:55:31Z)

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。