論文の概要: L2GSSL: Label-Efficient Local-to-Global Self-Supervised Learning for Volumetric Healthcare Data
- arxiv url: http://arxiv.org/abs/2610.21356v1
- Date: Thu, 15 Oct 2026 06:37:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-16 19:13:16.232135
- Title: L2GSSL: Label-Efficient Local-to-Global Self-Supervised Learning for Volumetric Healthcare Data
- Title（参考訳）: L2GSSL: ボリュームヘルスケアデータのためのラベル効率のよいローカル・グローバル・セルフ・スーパーバイザラーニング
- Abstract要約: L2GSSLは,ラベルなしCTボリュームの局所的・言語的自己教師型学習フレームワークである。
スライスエンコーダはビュー不変のローカル特徴を学習し、グローバルエンコーダは結果のトークンをnoduleコンテキストのモデルに集約する。
- 参考スコア（独自算出の注目度）: 1.3320917259299652
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Healthcare institutions routinely accumulate high-dimensional computed tomography (CT) volumes, but only a fraction can be annotated by experts. We present L2GSSL, a local-to-global self-supervised learning framework that leverages unlabeled volumes by decomposing pretraining into intra-slice and inter-slice representation spaces. A slice encoder learns view-invariant local features, and a global encoder aggregates the resulting tokens to model volumetric context. The stop-gradient isolates the local space from the global objective, while slice-wise execution and a three-phase schedule support training under constrained GPU memory. On LIDC-IDRI lung nodule malignancy classification, L2GSSL reaches $0.9229$ AUROC with only $10\%$ of the labels and $0.9377$ with $25\%$, exceeding the volume-level VICReg by $0.0229$ and $0.0294$, respectively. With all labels, the strongest supervised baseline exceeds L2GSSL by only $0.0044$ AUROC, consistent with self-supervised pretraining providing its greatest value when annotations are limited. Without adaptation to the external LNDb cohort, a model fine-tuned on $25\%$ of LIDC-IDRI obtains $0.8138$ AUROC and $0.7589$ AUPRC, improving over the strongest evaluated self-supervised baseline by $0.1130$ and $0.0954$. Experiments across data sources, thoracic and abdominal anatomy, downstream tasks, and two backbones examine healthcare-data variety, while lesion-slice masking shows that the predictions depend on lesion-bearing content.
- Abstract（参考訳）: 医療機関は、通常、高次元CTボリュームを蓄積するが、専門家が注釈を付けることができるのはごくわずかである。
L2GSSLは,事前学習をスライス内およびスライス間表現空間に分解することで,ラベルなしボリュームを活用するローカル・グローバル・自己教師型学習フレームワークである。
スライスエンコーダはビュー不変のローカル特徴を学習し、グローバルエンコーダは結果のトークンをボリュームコンテキストのモデルに集約する。
停止段階は、大域的な目的から局所空間を分離し、スライスワイズ実行と、制約付きGPUメモリ下での3フェーズスケジュールサポートトレーニングを行う。
LIDC-IDRI肺結節悪性度分類では、L2GSSLは、ラベルのわずか10\%のAUROC$0.9229$、$0.9377$$$25\%のAUROCに到達し、ボリュームレベルVICRegの0.0229$と$0.0294$をそれぞれ上回っている。
すべてのラベルにおいて、最強の教師付きベースラインは、アノテーションが制限されたときに最大の価値を提供する自己教師付き事前トレーニングと整合して、わずか0.0044ドルのAUROCでL2GSSLを超える。
外部のLNDbコホートに適応せずに、LIDC-IDRIの25\%で微調整されたモデルは、0.8138ドル AUROCと0.7589ドル AUPRCを取得し、最も高い評価された自己監督ベースラインを0.1130ドルと0.0954ドルに改善した。
データソース、胸部解剖、腹部解剖、下流のタスク、および2つのバックボーンにわたる実験は、医療データの種類を調べる一方、病変スライスマスキングは、予測が病変を含む内容に依存することを示している。
関連論文リスト
- Segmentation Pre-training for Label-Efficient Lumbar Spine Degeneration Grading [0.0]
椎骨,椎間板 (IVD) , 脊柱管の3D ResNetエンコーダを前訓練した。
我々は、利用可能なトレーニングデータの異なる割合を用いて、軽量なタスク固有グルーピングヘッドを微調整する。
プレトレーニング後のグレーティングラベルの20%しか持たなかったため、この手法はフルスーパービジョンに近い性能を達成できた。
論文 参考訳（メタデータ） (2026-08-05T13:14:46Z) - Dead-Direction Signatures: A Cheap Spectral Reading of Singular Complexity [5.67642958049511]
特異学習理論は、損失特異点の幾何学を通して深いネットワークの複雑さを特徴づける。
単体構造をもつ安価でクローズドなスペクトル読影器であるDeadDirection Signatures (DDS)を紹介する。
それぞれが選択された層でネットワークの活性化行列またはサンプル単位のフィッシャーグラムを読み、後鎖スペクトル線型代数を置き換える。
論文 参考訳（メタデータ） (2026-06-19T06:49:09Z) - Enhancing Fine-Grained Spatial Grounding in 3D CT Report Generation via Discriminative Guidance [16.566888073449714]
ラジオロジーレポート生成(RRG)のための視覚言語モデル(VLM)は、ボリュームスキャンから長めの胸部CTレポートを生成することができる。
既存の方法は2つの重要な制限に直面している: (i) トレーニングの監督は、しばしば粗くなり、きめ細かい属性や病理の場所を明示的に調整することなく、CTのボリューム全体を完全な自由テキストのレポートと整列する。
本稿では,フリーテキストレポートから微細なキューを蒸留し,レポート生成をガイドするプラグイン・アンド・プレイフレームワークであるPrompt Dropout (DCP-PD) を用いたemphDiscrimi Cue-Promptingを提案する。
論文 参考訳（メタデータ） (2026-04-12T03:25:41Z) - SA-CycleGAN-2.5D: Self-Attention CycleGAN with Tri-Planar Context for Multi-Site MRI Harmonization [3.5109108807229403]
本稿では,Ben-David らによる$HH$-divergence 境界によるドメイン適応フレームワーク SA-CycleGAN-2.5D を提案する。
2D効率と3D一貫性をブリッジすることで,腫瘍の病態を保ったボクセルレベルの高調波画像が得られる。
論文 参考訳（メタデータ） (2026-03-17T23:49:46Z) - PathGLS: Evaluating Pathology Vision-Language Models without Ground Truth through Multi-Dimensional Consistency [22.13541624406203]
VLM(Vision-Language Models)は、解釈可能な画像解析、自動レポート、スケーラブルな意思決定支援を可能にすることにより、計算病理学において大きな可能性を秘めている。
このギャップに対処するために,3次元にわたる病理VLMを評価する新しい基準フリー評価フレームワークPathGLSを提案する。
The Experiments on Quilt-1M, TCGA, REG2025, PathMMU and TCGA-Sarcoma datasets showed the superiority of PathGLS。
論文 参考訳（メタデータ） (2026-03-17T04:25:55Z) - 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) - Weakly-supervised positional contrastive learning: application to
cirrhosis classification [45.63061034568991]
大規模な医療画像データセットは、低信頼で弱いラベルで安価に注釈を付けることができる。
組織学に基づく診断のような高信頼なラベルへのアクセスは稀で費用がかかる。
提案手法は,効率的な弱教師付き位置対応学習戦略 (WSP) を提案する。
論文 参考訳（メタデータ） (2023-07-10T15:02:13Z) - Self-supervised contrastive learning of echocardiogram videos enables
label-efficient cardiac disease diagnosis [48.64462717254158]
心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。
左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。
EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
論文 参考訳（メタデータ） (2022-07-23T19:17:26Z) - Dynamic Bank Learning for Semi-supervised Federated Image Diagnosis with
Class Imbalance [65.61909544178603]
クラス不均衡半教師付きFL(imFed-Semi)の実用的かつ困難な問題について検討する。
このImFed-Semi問題は、クラス比例情報を利用してクライアントトレーニングを改善する新しい動的銀行学習方式によって解決される。
25,000個のCTスライスによる頭蓋内出血診断と10,015個の皮膚内視鏡画像による皮膚病変診断の2つの公開実世界の医療データセットに対するアプローチを評価した。
論文 参考訳（メタデータ） (2022-06-27T06:51:48Z) - Few-Shot Cross-lingual Transfer for Coarse-grained De-identification of
Code-Mixed Clinical Texts [56.72488923420374]
事前学習型言語モデル (LM) は低リソース環境下での言語間移動に大きな可能性を示している。
脳卒中におけるコードミキシング(スペイン・カタラン)臨床ノートの低リソース・実世界の課題を解決するために,NER (name recognition) のためのLMの多言語間転写特性を示す。
論文 参考訳（メタデータ） (2022-04-10T21:46:52Z)
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。