Краткое содержание

arXiv:2511.12382v1 Тип объявления: cross Аннотация: Анализ медицинских изображений для решения таких сложных задач, как оценка степени тяжести и классификация подтипов заболеваний, сопряжен со значительными трудностями. Это обусловлено сложными и схожими визуальными паттернами между классами, нехваткой размеченных данных и вариабельностью экспертных интерпретаций. Несмотря на полезность существующих моделей, основанных на механизме внимания, для захвата сложных визуальных паттернов при классификации медицинских изображений, базовые архитектуры часто сталкиваются с проблемами при эффективном различении тонких классов, поскольку они не способны adequately улавливать межклассовое сходство и внутриклассовую вариабельность, что приводит к постановке неправильного диагноза. Для решения этой проблемы мы предлагаем фреймворк AGGRNet для извлечения информативных и неинформативных признаков с целью эффективного распознавания тонких визуальных паттернов и повышения качества классификации для сложных задач анализа медицинских изображений. Результаты экспериментов показывают, что наша модель достигает передовых результатов на различных наборах данных медицинской визуализации, с наилучшими