論文の概要: Lifelong Whole Slide Image Analysis: Online Vision-Language Adaptation and Past-to-Present Gradient Distillation

• arxiv url: http://arxiv.org/abs/2505.01984v1
• Date: Sun, 04 May 2025 04:46:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-06 18:49:35.364404
• Title: Lifelong Whole Slide Image Analysis: Online Vision-Language Adaptation and Past-to-Present Gradient Distillation
• Title（参考訳）: Lifelong Whole Slide Image Analysis: Online Vision-Language Adaptation and Past-to-Present Gradient Distillation
• Authors: Doanh C. Bui, Hoai Luan Pham, Vu Trung Duong Le, Tuan Hai Vu, Van Duy Tran, Khang Nguyen, Yasuhiko Nakashima,
• Abstract要約: 全スライド画像(WSI)は、正確ながん診断と予後において重要な役割を担っている。 WSIのサイズがギガピクセルであることを考えると、ストレージ、処理、モデルトレーニングの点で困難を呈している。 本稿では,全スライディング画像(WSI)解析における生涯学習を向上する手法であるADaFGradを紹介する。
• 参考スコア（独自算出の注目度）: 1.1497371646067622
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Whole Slide Images (WSIs) play a crucial role in accurate cancer diagnosis and prognosis, as they provide tissue details at the cellular level. However, the rapid growth of computational tasks involving WSIs poses significant challenges. Given that WSIs are gigapixels in size, they present difficulties in terms of storage, processing, and model training. Therefore, it is essential to develop lifelong learning approaches for WSI analysis. In scenarios where slides are distributed across multiple institutes, we aim to leverage them to develop a unified online model as a computational tool for cancer diagnosis in clinical and hospital settings. In this study, we introduce ADaFGrad, a method designed to enhance lifelong learning for whole-slide image (WSI) analysis. First, we leverage pathology vision-language foundation models to develop a framework that enables interaction between a slide's regional tissue features and a predefined text-based prototype buffer. Additionally, we propose a gradient-distillation mechanism that mimics the gradient of a logit with respect to the classification-head parameters across past and current iterations in a continual-learning setting. We construct a sequence of six TCGA datasets for training and evaluation. Experimental results show that ADaFGrad outperforms both state-of-the-art WSI-specific and conventional continual-learning methods after only a few training epochs, exceeding them by up to +5.068% in the class-incremental learning scenario while exhibiting the least forgetting (i.e., retaining the most knowledge from previous tasks). Moreover, ADaFGrad surpasses its baseline by as much as +40.084% in accuracy, further demonstrating the effectiveness of the proposed modules.
• Abstract（参考訳）: 全スライド画像(WSI)は、細胞レベルで組織の詳細を提供するため、正確な癌診断と予後において重要な役割を担っている。 しかし、WSIを含む計算タスクの急速な成長は、大きな課題を引き起こします。 WSIのサイズがギガピクセルであることを考えると、ストレージ、処理、モデルトレーニングの点で困難を呈している。 したがって、WSI分析のための生涯学習アプローチを開発することが不可欠である。 複数の施設にまたがってスライドが分散するシナリオにおいて,臨床・病院におけるがん診断のための計算ツールとして,統合されたオンラインモデルを開発することを目的としている。 本研究では,全スライディング画像(WSI)解析のための生涯学習法であるADaFGradを紹介する。 まず、病理組織モデルを用いて、スライドの局所組織特徴と予め定義されたテキストベースのプロトタイプバッファとの相互作用を可能にするフレームワークを開発する。 さらに,過去および現在の反復における分類ヘッドパラメータに対するロジットの勾配を再現した勾配蒸留機構を連続学習環境で提案する。 トレーニングと評価のために,6つのTCGAデータセットのシーケンスを構築した。 実験の結果、ADaFGradは、わずかの訓練期間の後に、最先端のWSIと従来の継続学習法の両方を上回り、クラス増進学習シナリオにおいて最大5.068%以上の成績を示しながら、最も忘れられない(つまり、以前のタスクから最も多くの知識を保持する)。 さらに、ADaFGradは+40.084%の精度でベースラインを超え、提案されたモジュールの有効性をさらに証明している。

関連論文リスト

• ZeroSlide: Is Zero-Shot Classification Adequate for Lifelong Learning in Whole-Slide Image Analysis in the Era of Pathology Vision-Language Foundation Models? [0.5057850174013127]
  スライド画像全体(WSI)に対する生涯学習は、複数のWSI関連タスクを実行するための統一モデルのトレーニングという課題を提起する。 従来の連続学習手法とWSIの視覚言語ゼロショット分類を比較した最初の研究である。
  論文  参考訳（メタデータ） (2025-04-22T06:38:37Z)
• From Pixels to Histopathology: A Graph-Based Framework for Interpretable Whole Slide Image Analysis [81.19923502845441]
  我々はWSIグラフ表現を構成するグラフベースのフレームワークを開発する。 任意のパッチではなく生物学的境界に従う組織表現(ノード)を構築します。 本手法の最終段階として,グラフアテンションネットワークを用いて診断課題を解決する。
  論文  参考訳（メタデータ） (2025-03-14T20:15:04Z)
• Fake It Till You Make It: Using Synthetic Data and Domain Knowledge for Improved Text-Based Learning for LGE Detection [11.532639713283226]
  臨床報告からテキストを用いてLGE検出のモデルを訓練するために,ドメイン知識に根ざした戦略を用いる。 我々は、画像の向きを解剖学的に表現した方法で標準化し、空間的特徴とテキスト的特徴のより優れたアライメントを可能にする。 モデル全体の性能に対する各デザインコンポーネントの貢献を明らかにするためのアブレーション研究が実施されている。
  論文  参考訳（メタデータ） (2025-02-18T15:30:48Z)
• Benchmarking Embedding Aggregation Methods in Computational Pathology: A Clinical Data Perspective [32.93871326428446]
  人工知能(AI)の最近の進歩は、医療画像と計算病理に革命をもたらしている。 デジタル全スライド画像(WSI)の解析における一定の課題は、何万ものタイルレベルの画像埋め込みをスライドレベルの表現に集約する問題である。 本研究は,9つの臨床的課題を対象とした10種類のスライドレベルのアグリゲーション手法のベンチマーク分析を行った。
  論文  参考訳（メタデータ） (2024-07-10T17:00:57Z)
• A self-supervised framework for learning whole slide representations [52.774822784847565]
  我々は、全スライド画像のギガピクセルスケールの自己スーパービジョンのためのSlide Pre-trained Transformer (SPT)を提案する。 バイオメディカル・マイクロスコープ・データセットを用いて,5つの診断課題におけるSPT視覚表現のベンチマークを行った。
  論文  参考訳（メタデータ） (2024-02-09T05:05:28Z)
• Context-Aware Self-Supervised Learning of Whole Slide Images [0.0]
  本研究では, 新たな2段階学習手法を提案する。 WSI内のすべての領域間の依存関係をキャプチャするグラフ表現は非常に直感的です。 スライド全体はグラフとして表示され、ノードはWSIのパッチに対応する。 提案したフレームワークは、前立腺癌と腎癌からのWSIを用いてテストされる。
  論文  参考訳（メタデータ） (2023-06-07T20:23:05Z)
• Vision-Language Modelling For Radiological Imaging and Reports In The Low Data Regime [70.04389979779195]
  本稿では,視覚および言語入力を共通空間に埋め込んだ医用視覚言語モデル(VLM)について検討する。 本稿では,新しい画像領域やテキスト領域への汎用事前学習モデルの適用など,低データ性能向上のためのいくつかの候補手法について検討する。 テキスト・ツー・イメージ検索をベンチマークとして,2つの胸部X線および放射線学的報告を用いた可変サイズのトレーニングデータセットを用いて,これらの手法の性能評価を行った。
  論文  参考訳（メタデータ） (2023-03-30T18:20:00Z)
• Learning to Exploit Temporal Structure for Biomedical Vision-Language Processing [53.89917396428747]
  視覚言語処理における自己教師あり学習は、画像とテキストのモダリティのセマンティックアライメントを利用する。 トレーニングと微調整の両方で利用できる場合、事前のイメージとレポートを明示的に説明します。 我々のアプローチはBioViL-Tと呼ばれ、テキストモデルと共同で訓練されたCNN-Transformerハイブリッドマルチイメージエンコーダを使用する。
  論文  参考訳（メタデータ） (2023-01-11T16:35:33Z)
• LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
  MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。 タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。 クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
  論文  参考訳（メタデータ） (2022-04-12T12:25:05Z)

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。