論文の概要: MiCo: Multiple Instance Learning with Context-Aware Clustering for Whole Slide Image Analysis

• arxiv url: http://arxiv.org/abs/2506.18028v2
• Date: Thu, 26 Jun 2025 01:29:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-27 13:31:57.724874
• Title: MiCo: Multiple Instance Learning with Context-Aware Clustering for Whole Slide Image Analysis
• Title（参考訳）: MiCo: 全スライド画像解析のためのコンテキスト対応クラスタリングによる複数インスタンス学習
• Authors: Junjian Li, Hulin Kuang, Jin Liu, Hailin Yue, Mengshen He, Jianxin Wang,
• Abstract要約: 多発性インスタンスラーニング (MIL) は, 癌診断と予後に対する病理組織学的全スライド画像 (WSI) 解析において有意な可能性を示唆している。 コンテキスト対応クラスタリング(MiCo)を用いた複数インスタンス学習フレームワークを提案する。 MiCoは、地域間の相互関係を強化し、組織間のセマンティックアソシエーションを強化するように設計されている。
• 参考スコア（独自算出の注目度）: 9.39423986632543
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multiple instance learning (MIL) has shown significant promise in histopathology whole slide image (WSI) analysis for cancer diagnosis and prognosis. However, the inherent spatial heterogeneity of WSIs presents critical challenges, as morphologically similar tissue types are often dispersed across distant anatomical regions. Conventional MIL methods struggle to model these scattered tissue distributions and capture cross-regional spatial interactions effectively. To address these limitations, we propose a novel Multiple instance learning framework with Context-Aware Clustering (MiCo), designed to enhance cross-regional intra-tissue correlations and strengthen inter-tissue semantic associations in WSIs. MiCo begins by clustering instances to distill discriminative morphological patterns, with cluster centroids serving as semantic anchors. To enhance cross-regional intra-tissue correlations, MiCo employs a Cluster Route module, which dynamically links instances of the same tissue type across distant regions via feature similarity. These semantic anchors act as contextual hubs, propagating semantic relationships to refine instance-level representations. To eliminate semantic fragmentation and strengthen inter-tissue semantic associations, MiCo integrates a Cluster Reducer module, which consolidates redundant anchors while enhancing information exchange between distinct semantic groups. Extensive experiments on two challenging tasks across nine large-scale public cancer datasets demonstrate the effectiveness of MiCo, showcasing its superiority over state-of-the-art methods. The code is available at https://github.com/junjianli106/MiCo.
• Abstract（参考訳）: 多発性インスタンスラーニング (MIL) は, 癌診断と予後に対する病理組織学的全スライド画像 (WSI) 解析において有意な可能性を示唆している。 しかし、WSIsの固有の空間的不均一性は、形態学的に類似した組織型がしばしば遠くの解剖学的領域に分散しているため、重要な課題を呈する。 従来のMIL法では、これらの分散組織分布をモデル化し、地域間空間相互作用を効果的に捉えるのに苦労する。 このような制約に対処するため,WSI における領域間相互関係の強化と相互関係の強化を目的とした,コンテキスト認識クラスタリング (MiCo) を用いた新しいマルチインスタンス学習フレームワークを提案する。 MiCoは、識別的形態パターンを蒸留するためにインスタンスをクラスタリングすることから始まり、クラスタセントロイドはセマンティックアンカーとして機能する。 MiCoは、地域間の組織間相関を強化するために、Cluster Routeモジュールを使用しており、特徴的類似性を通じて、同じ組織タイプのインスタンスを離れた地域にわたって動的にリンクする。 これらのセマンティックアンカーはコンテキストハブとして機能し、セマンティックな関係を伝播してインスタンスレベルの表現を洗練させる。 セマンティックフラグメンテーションを排除し、グループ間セマンティックアソシエーションを強化するために、MiCoは、異なるセマンティックグループ間の情報交換を強化しながら、冗長アンカーを統合するCluster Reducerモジュールを統合する。 9つの大規模な公共がんデータセットにまたがる2つの課題に関する大規模な実験は、MiCoの有効性を示し、最先端の手法よりもその優位性を示している。 コードはhttps://github.com/junjianli106/MiCoで入手できる。

関連論文リスト

• Enhanced High-Dimensional Data Visualization through Adaptive Multi-Scale Manifold Embedding [0.7705234721762716]
  本稿では,適応型マルチスケールマニフォールド埋め込み (AMSME) アルゴリズムを提案する。 順序距離を導入することで、高次元空間における次元性の呪いの制約を克服できることが示される。 実験により,AMSMEはクラスタ内トポロジ構造を著しく保存し,クラスタ間分離を改善した。
  論文  参考訳（メタデータ） (2025-03-18T06:46:53Z)
• Merging Context Clustering with Visual State Space Models for Medical Image Segmentation [32.57694973428823]
  既存のViMモデルにコンテキストクラスタリングモジュールを組み込んだコンテキストクラスタリングViM(CCViM)を導入する。 提案手法は,医用画像分割作業における空間的文脈表現の強化を効果的に行う。
  論文  参考訳（メタデータ） (2025-01-03T03:25:30Z)
• Spatial Semantic Recurrent Mining for Referring Image Segmentation [63.34997546393106]
  高品質なクロスモーダリティ融合を実現するために,Stextsuperscript2RMを提案する。 これは、言語特徴の分散、空間的意味的再帰的分離、パーセマンティック・セマンティック・バランシングという三部作の作業戦略に従う。 提案手法は他の最先端アルゴリズムに対して好適に機能する。
  論文  参考訳（メタデータ） (2024-05-15T00:17:48Z)
• Efficient Bilateral Cross-Modality Cluster Matching for Unsupervised Visible-Infrared Person ReID [56.573905143954015]
  本稿では, クラスタ間マッチングによるモダリティギャップを低減するための, クラスタマッチングに基づく新たな学習フレームワークを提案する。 このような監視信号の下では、クラスタレベルで特徴を協調的に整列させるために、モダリティ・特定・モダリティ・非依存(MSMA)コントラスト学習フレームワークが提案されている。 公開SYSU-MM01とRegDBデータセットの実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-05-22T03:27:46Z)
• Universal-RCNN: Universal Object Detector via Transferable Graph R-CNN [117.80737222754306]
  我々はUniversal-RCNNと呼ばれる新しいユニバーサルオブジェクト検出器を提案する。 まず、すべてのカテゴリの高レベルなセマンティック表現を統合することで、グローバルなセマンティックプールを生成する。 ドメイン内推論モジュールは、空間認識GCNによってガイドされる1つのデータセット内のスパースグラフ表現を学習し、伝播する。
  論文  参考訳（メタデータ） (2020-02-18T07:57:45Z)

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。