論文の概要: TRiST: Topology-Reinforced Swin Transformer for Medical Image Analysis

• arxiv url: http://arxiv.org/abs/2611.07431v1
• Date: Thu, 05 Nov 2026 04:26:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.545645
• Title: TRiST: Topology-Reinforced Swin Transformer for Medical Image Analysis
• Title（参考訳）: TRiST:医用画像解析のためのトポロジー強化スイム変換器
• Abstract要約: トポロジー強化スイム変圧器(TRiST) トポロジー強化スイム変圧器(TRiST) トポロジー強化スイム変圧器(TRiST)
• 参考スコア（独自算出の注目度）: 26.90296482685603
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical images contain topological patterns, such as connected components and loops, at scales ranging from small lesions to organ boundaries. Although hierarchical Vision Transformers have advanced medical image analysis, they do not explicitly incorporate topology throughout their multiscale representations. We propose Topology-Reinforced Swin Transformer (TRiST), a framework that integrates topological information into feature construction, refinement, and attention. First, a Hierarchical Multi-Scale Topology Representation algorithm computes 2D persistent homology (H0 and H1) independently at four native Swin stages, producing descriptors aligned with each stage's token grid rather than downsampling fine-scale topology. Second, a Band-Aware H0/H1 Residual Refinement module uses gated residual networks to process short-, medium-, and long-persistence information separately. Third, a Persistence-Band Progressive Attention Bias converts stage-specific descriptors into learned key-saliency scores that directly modify shifted-window attention logits. We instantiate TRiST as Topo-SwinV2-B for classification and Topo-Swin-UNet for segmentation, preserving the underlying Swin-based backbones. Experiments on five medical image datasets show consistent improvements over Swin-based baselines and competitive performance relative to existing topology-augmented methods.
• Abstract（参考訳）: 医療画像は、小さな病変から臓器の境界までの範囲で、接続されたコンポーネントやループのようなトポロジカルなパターンを含んでいる。 階層型ヴィジュアルトランスフォーマーは高度な医用画像解析を行うが、トポロジを多スケールの表現全体に明示的に組み込むわけではない。 本研究では,トポロジ的情報を特徴構築,改良,注目に組み込むフレームワークであるTRiSTを提案する。 まず、階層的多スケールトポロジー表現アルゴリズムは、4つのネイティブスウィンステージで独立に2次元永続ホモロジー(H0,H1)を計算し、微細なトポロジーをダウンサンプリングするのではなく、各ステージのトークングリッドに整列した記述子を生成する。 第二に、Band-Aware H0/H1 Residual Refinementモジュールは、ゲート残余ネットワークを使用して、短値、中値、長値の情報を別々に処理する。 第3に、Persistence-Band Progressive Attention Biasはステージ固有のディスクリプタを、シフトウインドウのアテンションログを直接変更した学習キーセイリエンシスコアに変換する。 我々はTRiSTを分類のためのTopo-SwinV2-Bとして、セグメンテーションのためのTopo-Swin-UNetとして、基礎となるSwinベースのバックボーンを保存する。 5つの医用画像データセットの実験では、既存のトポロジ拡張手法と比較して、スウィンベースベースラインと競合性能に対して一貫した改善が見られた。

関連論文リスト

• VTRL-Med: Progressive Visual Refinement with Topology-Guided Regularization for Medical Image Clustering [13.944892759807473]
  医用画像クラスタリングのためのトポロジ誘導正規化を用いたプログレッシブ視覚構造学習フレームワークであるVTRL-Medを紹介する。 13の医用画像ベンチマークで、VTRL-Medは最先端のクラスタリング性能を達成し、既存の方法よりも平均精度を4.48%向上させた。
  論文  参考訳（メタデータ） (2026-10-23T16:50:55Z)
• Decouple, Purify and Unite: Semantic-Structural Prototype Learning for Federated Medical Segmentation [73.37038385412892]
  フェデレートラーニング(Federated Learning)は、医療機関がデータを共有することなく、グローバルなモデルをトレーニングすることを可能にする。 既存の表現ベースのメソッドには2つの制限がある。 We propose FedBCS+, federated decoupled contextual alignment with style-purified aggregate。
  論文  参考訳（メタデータ） (2026-10-03T18:26:17Z)
• ProBAG: Prototype-Guided Boundary-Aware Graph Diffusion for Weakly Supervised Histopathology Segmentation [1.8629748140948348]
  弱教師付きセマンティックセグメンテーションは、画像レベルのアノテーションから組織組織セグメンテーションを可能にする。 ProBAGは、データセット固有の視覚プロトタイプと、病理に整合したCONCHテキストプロトタイプを組み合わせたステージ1擬似マスクジェネレータである。 BCSS-WSSS と LUAD-HistoSeg の実験は、最近の WSSS アプローチよりも一貫した利得を示している。
  論文  参考訳（メタデータ） (2026-08-12T08:05:07Z)
• Gated Spatial Redundancy Projection for Pathology Transformer Attentions [9.268049949671958]
  Gated Spatial Redundancy Projection (Gated SRP) は、自己注意層のための軽量な修正モジュールである。 Gated SRPは、近傍の値から局所冗長軸を推定し、注意出力をこの軸に投影し、学習された符号ゲートを適用して、冗長整列成分を幾何学的に補正する。
  論文  参考訳（メタデータ） (2026-08-08T23:59:10Z)
• Topology-Driven Transferability Estimation for 3D Medical Vision Foundation Models [24.834339924064505]
  3次元医用画像における高密度予測タスクのためのボクセル・ワイド・フレームワークを提案する。 本フレームワークは,高密度特徴のスパース1-スケルトン幾何グラフと意味ラベルとのアライメントから,転送可能性を直接推定する。 本フレームワークは,平均重み付きケンドール(0.36)を56倍の速度で評価しながら,最先端の転写性評価を実現する。
  論文  参考訳（メタデータ） (2026-07-05T09:45:18Z)
• Beyond the Aggregation Dilemma: Prior-Retaining Decoupled Learning for Multimodal Graphs [69.56407708794845]
  MultimodalAttributed Graph Learning (MAGL)はグラフアグリゲーションを通じてノード属性と構造トポロジーを統合する。 事前訓練されたエンコーダがLarge Foundation Models (LFM) へと進化するにつれて、MAGLのランドスケープは根本的に変化していく。 高信頼のLFM先行の下では、強制集約は、識別シグナルを圧倒するトポロジカル固有のノイズを導入する。 本稿では、分離されたデュアルパスパラダイムであるSUPRA(Shared-Unique Prior-Retaining Architecture)を提案する。 SUPRAは、トポロジ・アグノシクスによるモーダリティ特異的な特徴を処理し、軽量共有GNNを介して構造相乗効果を捉え、補助的な深層監視対策の勾配飢餓を発生させる。
  論文  参考訳（メタデータ） (2026-05-23T17:42:25Z)
• Integrating Multi-scale and Multi-filtration Topological Features for Medical Image Classification [20.820287362872975]
  ディープニューラルネットワークは、医用画像分類において顕著な性能を示している。 マルチスケールおよびマルチフィルタ型永続的なトポロジ特徴を抽出する新しいトポロジ誘導型分類フレームワークを提案する。 我々のアプローチは、複雑な解剖学的構造を認識するためのモデルの能力を高める。
  論文  参考訳（メタデータ） (2025-12-08T06:02:02Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
  本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。 本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。 実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T02:27:02Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)

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。