論文の概要: HASD: Hierarchical Adaption for pathology Slide-level Domain-shift

• arxiv url: http://arxiv.org/abs/2506.23673v1
• Date: Mon, 30 Jun 2025 09:52:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 21:27:54.002395
• Title: HASD: Hierarchical Adaption for pathology Slide-level Domain-shift
• Title（参考訳）: HASD:スライレベルドメインシフトの階層的適応
• Authors: Jingsong Liu, Han Li, Chen Yang, Michael Deutges, Ario Sadafi, Xin You, Katharina Breininger, Nassir Navab, Peter J. Schüffler,
• Abstract要約: スライドレベルドメインシフト(HASD)のための階層的適応フレームワークを提案する。 HASDはマルチスケールの特徴整合性と計算効率のよいスライドレベルドメイン適応を実現する。 5つのデータセットにまたがる2つのスライドレベルのタスクに対して,本手法の有効性を検証した。
• 参考スコア（独自算出の注目度）: 41.62754003105711
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Domain shift is a critical problem for pathology AI as pathology data is heavily influenced by center-specific conditions. Current pathology domain adaptation methods focus on image patches rather than WSI, thus failing to capture global WSI features required in typical clinical scenarios. In this work, we address the challenges of slide-level domain shift by proposing a Hierarchical Adaptation framework for Slide-level Domain-shift (HASD). HASD achieves multi-scale feature consistency and computationally efficient slide-level domain adaptation through two key components: (1) a hierarchical adaptation framework that integrates a Domain-level Alignment Solver for feature alignment, a Slide-level Geometric Invariance Regularization to preserve the morphological structure, and a Patch-level Attention Consistency Regularization to maintain local critical diagnostic cues; and (2) a prototype selection mechanism that reduces computational overhead. We validate our method on two slide-level tasks across five datasets, achieving a 4.1\% AUROC improvement in a Breast Cancer HER2 Grading cohort and a 3.9\% C-index gain in a UCEC survival prediction cohort. Our method provides a practical and reliable slide-level domain adaption solution for pathology institutions, minimizing both computational and annotation costs.
• Abstract（参考訳）: ドメインシフトは、病理学データがセンター固有の条件に大きく影響されるため、病理学AIにとって重要な問題である。 現在の病理領域適応法は、WSIではなく画像パッチに重点を置いているため、典型的な臨床シナリオで必要とされるグローバルなWSI特徴を捉えていない。 本稿では,スライドレベルドメインシフト(HASD)のための階層的適応フレームワークを提案することで,スライドレベルドメインシフトの課題に対処する。 HASDは,(1)特徴整合のためのドメインレベルのアライメントソルバーを統合する階層的適応フレームワーク,2)形態的構造を維持するためのスライドレベルの幾何学的不変性規則化,2)局所的臨界診断手段を維持するためのパッチレベルのアテンション整合性規則化,の2つの主要なコンポーネントを通じて,マルチスケールの特徴整合性と計算効率のよいスライドレベルのドメイン適応を実現する。 我々は,5つのデータセットの2つのスライドレベルタスクに対して,乳がんHER2グレーディングコホートで4.1\% AUROC,UCECサバイバル予測コホートで3.9\% C-インデックスゲインを達成し,本手法の有効性を検証した。 本手法は, 診断コストとアノテーションコストの最小化を図り, 実用的かつ信頼性の高いスライドレベルドメイン適応ソリューションを提供する。

関連論文リスト

• Domain-Adaptive Learning: Unsupervised Adaptation for Histology Images with Improved Loss Function Combination [3.004632712148892]
  本稿では,H&E染色組織像を対象とした非教師なし領域適応(UDA)のための新しいアプローチを提案する。 本手法では, 組織像に特有の課題に対処するために, 慎重に選択された既存の損失関数とともに, 新たな損失関数を提案する。 提案手法は, 組織像の最先端技術を超え, 精度, 堅牢性, 一般化の面で広く評価されている。
  論文  参考訳（メタデータ） (2023-09-29T12:11:16Z)
• Taxonomy Adaptive Cross-Domain Adaptation in Medical Imaging via Optimization Trajectory Distillation [73.83178465971552]
  自動医用画像解析の成功は、大規模かつ専門家による注釈付きトレーニングセットに依存する。 非教師なしドメイン適応(UDA)はラベル付きデータ収集の負担を軽減するための有望なアプローチである。 本稿では,2つの技術的課題に新しい視点から対処する統一的手法である最適化トラジェクトリ蒸留を提案する。
  論文  参考訳（メタデータ） (2023-07-27T08:58:05Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• HSVA: Hierarchical Semantic-Visual Adaptation for Zero-Shot Learning [74.76431541169342]
  ゼロショット学習(ZSL)は、目に見えないクラス認識の問題に取り組み、目に見えないクラスから目に見えないクラスに意味的な知識を移す。 本稿では,意味領域と視覚領域を協調させる新しい階層型意味視覚適応(HSVA)フレームワークを提案する。 4つのベンチマークデータセットの実験では、HSVAは従来のZSLと一般的なZSLの両方で優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-30T14:27:50Z)
• Gradient Regularized Contrastive Learning for Continual Domain Adaptation [86.02012896014095]
  本稿では,ラベル付きソースドメインと非ラベル付きターゲットドメインのシーケンスでモデルを提示する連続的なドメイン適応の問題について検討する。 障害を解決するため,グラディエント正規化コントラスト学習(GRCL)を提案する。 Digits、DomainNet、Office-Caltechベンチマークの実験は、我々のアプローチの強力なパフォーマンスを示しています。
  論文  参考訳（メタデータ） (2021-03-23T04:10:42Z)
• Unsupervised Domain Adaptation Network with Category-Centric Prototype Aligner for Biomedical Image Segmentation [1.1799563040751586]
  本稿では,ラベル付きソースドメインから非ラベル付きターゲットドメインへ学習したモデルを一般化するための新しい非監視ドメイン適応ネットワークを提案する。 具体的には,条件付きドメイン判別器(cdd)とカテゴリ中心プロトタイプライナー(ccpa)という2つのキーモジュールからなる。
  論文  参考訳（メタデータ） (2021-03-03T07:07:38Z)
• Alleviating Human-level Shift : A Robust Domain Adaptation Method for Multi-person Pose Estimation [33.15192824888279]
  複数人物のポーズ推定のための新しい領域適応手法を提案する。 主な理由は、自然に、ポーズが典型的な位相構造を持ち、局所的なキーポイントにきめ細かい特徴を必要とするからである。 提案手法は3つのモジュールから構成される: クロス・アテンティブ・フィーチャーアライメント(CAFA)、ドメイン内構造アライメント(ISA)、ドメイン間ヒューマントポロジーアライメント(IHTA)。
  論文  参考訳（メタデータ） (2020-08-13T06:41:49Z)
• Unsupervised Bidirectional Cross-Modality Adaptation via Deeply Synergistic Image and Feature Alignment for Medical Image Segmentation [73.84166499988443]
  我々は、Synergistic Image and Feature Alignment (SIFA)と名付けられた新しい教師なしドメイン適応フレームワークを提案する。 提案するSIFAは、画像と特徴の両方の観点から、ドメインの相乗的アライメントを行う。 2つの異なるタスクに対する実験結果から,SIFA法は未ラベル対象画像のセグメンテーション性能を向上させるのに有効であることが示された。
  論文  参考訳（メタデータ） (2020-02-06T13:49:47Z)

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。