基于超网络的自适应聚合用于冠状动脉钙化预测中的多模态多实例学习
计算机视觉与模式识别
2026-01-30 v1
摘要
本文首次尝试估计从计算机断层扫描（CT）图像中去除冠状动脉钙化的必要性。我们将此任务定义为多实例学习（Multiple-instance Learning, MIL）问题。该任务的难点在于，医生会根据代表每个患者状况的表格数据调整其注意力和决策准则。为此，我们提出了一种基于超网络的自适应聚合变换器（HyperAdAgFormer），通过超网络根据表格数据对每个患者的特征聚合策略进行自适应修改。使用临床数据集进行的实验表明，HyperAdAgFormer的效果良好。代码已公开于 https://github.com/Shiku-Kaito/HyperAdAgFormer。
引用
@article{arxiv.2601.21479,
title = {Hypernetwork-Based Adaptive Aggregation for Multimodal Multiple-Instance Learning in Predicting Coronary Calcium Debulking},
author = {Kaito Shiku and Ichika Seo and Tetsuya Matoba and Rissei Hino and Yasuhiro Nakano and Ryoma Bise},
journal= {arXiv preprint arXiv:2601.21479},
year = {2026}
}
备注
Accepted to ISBI 2026