Fugu-MT 論文翻訳(概要): Multi-Scale Representation of Follicular Lymphoma Pathology Images in a Single Hyperbolic Space

論文の概要: Multi-Scale Representation of Follicular Lymphoma Pathology Images in a Single Hyperbolic Space

arxiv url: http://arxiv.org/abs/2506.18523v1
Date: Mon, 23 Jun 2025 11:25:55 GMT
ステータス: 翻訳完了
システム内更新日: 2025-06-24 19:06:36.953878
Title: Multi-Scale Representation of Follicular Lymphoma Pathology Images in a Single Hyperbolic Space
Title（参考訳）: 単一双曲性空間における卵胞性リンパ腫像のマルチスケール表現
Authors: Kei Taguchi, Kazumasa Ohara, Tatsuya Yokota, Hiroaki Miyoshi, Noriaki Hashimoto, Ichiro Takeuchi, Hidekata Hontani,
Abstract要約: 自己教師付き学習を用いた悪性リンパ腫の病理像の表現法を提案する。疾患進行の過程で発生する形態変化を捉えるため,本手法では組織とそれに対応する核像を互いに近接して埋め込む。
参考スコア（独自算出の注目度）: 16.779755785147195
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose a method for representing malignant lymphoma pathology images, from high-resolution cell nuclei to low-resolution tissue images, within a single hyperbolic space using self-supervised learning. To capture morphological changes that occur across scales during disease progression, our approach embeds tissue and corresponding nucleus images close to each other based on inclusion relationships. Using the Poincar\'e ball as the feature space enables effective encoding of this hierarchical structure. The learned representations capture both disease state and cell type variations.
Abstract（参考訳）: 本稿では,高分解能細胞核から低分解能組織像への悪性リンパ腫像の表現法を提案する。疾患進行の過程で発生する形態変化を捉えるため,本手法では,包摂関係に基づいて組織と対応する核画像が互いに近接して埋め込まれている。 Poincar\'e 球を特徴空間として用いることで、この階層構造を効果的に符号化することができる。学習された表現は、疾患の状態と細胞型の変化の両方をキャプチャする。

関連論文リスト

Causal Disentanglement for Robust Long-tail Medical Image Generation [80.15257897500578]
そこで本研究では,病的特徴と構造的特徴を独立に生成する新しい医用画像生成フレームワークを提案する。本稿では,病理所見から導かれる拡散モデルを用いて病理像をモデル化し,種々の対物画像の生成を可能にする。
論文参考訳（メタデータ） (2025-04-20T01:54:18Z)
Revisiting Adaptive Cellular Recognition Under Domain Shifts: A Contextual Correspondence View [49.03501451546763]
生物学的文脈における暗黙の対応の重要性を明らかにする。モデル構成成分間のインスタンス認識トレードオフを確保するために, 自己適応型動的蒸留を提案する。
論文参考訳（メタデータ） (2024-07-14T04:41:16Z)
Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
論文参考訳（メタデータ） (2023-08-03T21:56:50Z)
VesselMorph: Domain-Generalized Retinal Vessel Segmentation via Shape-Aware Representation [12.194439938007672]
ドメインシフトは医療画像の本質的な特性であり、学習ベースのアルゴリズムを大規模に展開する上で大きな障害となっている。形状認識表現を合成することにより2次元網膜血管セグメンテーションタスクを一般化するVesselMorphという手法を提案する。 VesselMorphは、異なるドメインシフトシナリオの競合するメソッドと比較して、優れた一般化性能を実現する。
論文参考訳（メタデータ） (2023-07-01T06:02:22Z)
Structure Embedded Nucleus Classification for Histopathology Images [51.02953253067348]
ほとんどのニューラルネットワークに基づく手法は、局所的な畳み込みの受容領域に影響を受けている。本稿では,核輪郭を順にサンプリングした点列に変換する新しい多角構造特徴学習機構を提案する。次に、核をノードとするグラフ構造に組織像を変換し、その表現に核の空間分布を埋め込むグラフニューラルネットワークを構築する。
論文参考訳（メタデータ） (2023-02-22T14:52:06Z)
Stain based contrastive co-training for histopathological image analysis [61.87751502143719]
本稿では,ヒストリボリューション画像の分類のための,新しい半教師付き学習手法を提案する。我々は、半教師付き学習フレームワークを作成するために、パッチレベルのアノテーションと、新しいコトレーニング損失を併用した強力な監視を採用する。透明細胞腎細胞および前立腺癌に対するアプローチを評価し,最先端の半教師あり学習法の改善を実証した。
論文参考訳（メタデータ） (2022-06-24T22:25:31Z)
A deep residual learning implementation of Metamorphosis [4.4203363069188475]
本稿では,推論時の計算時間を劇的に削減するメタモルフィズムの残差学習実装を提案する。また,提案フレームワークは,位相変化の局所化に関する事前知識を容易に統合できることを示す。提案手法はBraTS 2021データセット上でテストし,脳腫瘍と画像のアライメントにおいて最先端の手法よりも優れていることを示した。
論文参考訳（メタデータ） (2022-02-01T15:39:34Z)
Sharp-GAN: Sharpness Loss Regularized GAN for Histopathology Image Synthesis [65.47507533905188]
コンディショナル・ジェネレーショナル・ジェネレーティブ・逆境ネットワークは、合成病理像を生成するために応用されている。そこで我々は,現実的な病理像を合成するために,シャープネスロス正則化生成対向ネットワークを提案する。
論文参考訳（メタデータ） (2021-10-27T18:54:25Z)
Dermoscopic Image Classification with Neural Style Transfer [5.314466196448187]
皮膚病変分類問題に対する新しい画像前処理ステップとして,NST(Neural Style Transfer)の適応を提案する。各皮膚内視鏡像をスタイル画像として表現し、病変のスタイルを均質なコンテンツ画像に転送します。これにより、各病変の主な変動を同じ局在領域に転送し、生成された画像を一緒に統合し、潜伏した低ランクスタイルの特徴を抽出します。
論文参考訳（メタデータ） (2021-05-17T03:50:51Z)
Learning a low dimensional manifold of real cancer tissue with PathologyGAN [6.147958017186105]
高忠実度癌組織像をシミュレートする深層生成モデルを提案する。このモデルは、以前に開発されたジェネレーティブ・敵ネットワークであるPathologyGANによって訓練されている。乳がんコホート249K画像を用いて潜伏空間について検討した。
論文参考訳（メタデータ） (2020-04-13T16:18:00Z)

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。