Fugu-MT 論文翻訳(概要): Leveraging Pathology Foundation Models for Panoptic Segmentation of Melanoma in H&E Images

論文の概要: Leveraging Pathology Foundation Models for Panoptic Segmentation of Melanoma in H&E Images

arxiv url: http://arxiv.org/abs/2507.13974v1
Date: Fri, 18 Jul 2025 14:38:25 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-21 20:43:26.323352
Title: Leveraging Pathology Foundation Models for Panoptic Segmentation of Melanoma in H&E Images
Title（参考訳）: H&E画像における腹腔鏡下黒色腫分離のための病理基盤モデルの構築
Authors: Jiaqi Lv, Yijie Zhu, Carmen Guadalupe Colin Tenorio, Brinder Singh Chohan, Mark Eastwood, Shan E Ahmed Raza,
Abstract要約: メラノーマH&E画像における5つの組織クラスのセグメンテーションのための新しい深層学習ネットワークを提案する。提案手法は,3100万枚の病理像を特徴抽出器としてトレーニングした病理基盤モデルであるVirchow2を利用する。提案モデルは,PUMAグランドチャレンジの組織セグメント化タスクにおいて,頑健な性能と一般化性を実証し,第1位を達成した。
参考スコア（独自算出の注目度）: 4.058897726957504
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Melanoma is an aggressive form of skin cancer with rapid progression and high metastatic potential. Accurate characterisation of tissue morphology in melanoma is crucial for prognosis and treatment planning. However, manual segmentation of tissue regions from haematoxylin and eosin (H&E) stained whole-slide images (WSIs) is labour-intensive and prone to inter-observer variability, this motivates the need for reliable automated tissue segmentation methods. In this study, we propose a novel deep learning network for the segmentation of five tissue classes in melanoma H&E images. Our approach leverages Virchow2, a pathology foundation model trained on 3.1 million histopathology images as a feature extractor. These features are fused with the original RGB images and subsequently processed by an encoder-decoder segmentation network (Efficient-UNet) to produce accurate segmentation maps. The proposed model achieved first place in the tissue segmentation task of the PUMA Grand Challenge, demonstrating robust performance and generalizability. Our results show the potential and efficacy of incorporating pathology foundation models into segmentation networks to accelerate computational pathology workflows.
Abstract（参考訳）: メラノーマは、急速に進行し、転移能が高い皮膚癌のアグレッシブな形態である。メラノーマにおける組織形態の正確な特徴付けは予後と治療計画に不可欠である。しかしながら、ハエマトキシリンとエオシン(H&E)染色スライディング画像(WSI)からの組織領域の手動分割は、労働集約的で、サーバ間変動の傾向が強いため、信頼性の高い自動組織分割法の必要性が示唆されている。本研究では,メラノーマH&E画像における5つの組織分類のセグメンテーションのための新しい深層学習ネットワークを提案する。提案手法では,3100万の病理像を特徴抽出としてトレーニングした病理基盤モデルであるVirchow2を利用する。これらの特徴は元のRGB画像と融合し、エンコーダデコーダセグメンテーションネットワーク(Efficient-UNet)によって処理され、正確なセグメンテーションマップを生成する。提案モデルはPUMAグランドチャレンジの組織セグメンテーションタスクにおいて第1位を獲得し、堅牢な性能と一般化性を実証した。本研究は,病理基盤モデルをセグメンテーションネットワークに組み込んで計算病理ワークフローを高速化する可能性と有効性を示す。

関連論文リスト

CytoFM: The first cytology foundation model [3.591868126270513]
本稿では,デジタル細胞学のための初の自己教師型基礎モデルであるCytoFMを紹介する。我々はCytoFMをさまざまなデータセットで事前訓練し、堅牢で転送可能な表現を学習する。以上の結果から,CytoFMは3つの下流課題のうち2つの課題において,病理組織学で事前訓練された既存の基礎モデルよりも優れていたことが示唆された。
論文参考訳（メタデータ） (2025-04-18T01:37:50Z)
PathSegDiff: Pathology Segmentation using Diffusion model representations [63.20694440934692]
そこで我々は,Latent Diffusion Models (LDMs) を事前学習した特徴抽出器として活用する,病理組織像分割の新しい手法であるPathSegDiffを提案する。本手法は,H&E染色組織像から多彩な意味情報を抽出するために,自己教師型エンコーダによって誘導される病理特異的LCMを用いる。本実験は,BCSSおよびGlaSデータセットにおける従来の手法よりも大幅に改善されたことを示す。
論文参考訳（メタデータ） (2025-04-09T14:58:21Z)
GS-TransUNet: Integrated 2D Gaussian Splatting and Transformer UNet for Accurate Skin Lesion Analysis [44.99833362998488]
本稿では,2次元ガウススプラッティングとTransformer UNetアーキテクチャを組み合わせた皮膚癌自動診断手法を提案する。セグメンテーションと分類の精度は著しく向上した。この統合は、新しいベンチマークをこの分野に設定し、マルチタスク医療画像解析手法のさらなる研究の可能性を強調している。
論文参考訳（メタデータ） (2025-02-23T23:28:47Z)
Adapting Segment Anything Model to Melanoma Segmentation in Microscopy Slide Images [0.1534667887016089]
本稿では,Segment Anything Model (SAM) を用いた顕微鏡スライド画像の自動メラノーマ分割法を提案する。提案手法では,初期セグメンテーションモデルを用いて予備セグメンテーションマスクを生成し,SAMのプロンプトに使用する。実験の結果,IoUではベースラインセグフォーマを9.1%上回った。
論文参考訳（メタデータ） (2024-10-03T04:40:18Z)
ShapeMamba-EM: Fine-Tuning Foundation Model with Local Shape Descriptors and Mamba Blocks for 3D EM Image Segmentation [49.42525661521625]
本稿では3次元EMセグメンテーションのための特殊微調整法であるShapeMamba-EMを提案する。 5つのセグメンテーションタスクと10のデータセットをカバーする、幅広いEMイメージでテストされている。
論文参考訳（メタデータ） (2024-08-26T08:59:22Z)
Deep learning-based instance segmentation for the precise automated quantification of digital breast cancer immunohistochemistry images [1.8434042562191815]
深層学習に基づくインスタンスセグメンテーションアーキテクチャを用いて,IHCスライスに適用した核バイオマーカーと膜バイオマーカーの自動定量化の実現可能性を示した。 HE, ER, Ki-67 (核バイオマーカー) およびHER2 (膜バイオマーカー) IHC-stained image を用いてアノテーションを収集した。我々は、2つのモデル(いわゆる核・膜認識セグメンテーションモデル)を訓練した。
論文参考訳（メタデータ） (2023-11-22T22:23:47Z)
Histopathologic Cancer Detection [0.0]
この作業では、PatchCamelyonベンチマークデータセットを使用して、モデルをマルチレイヤのパーセプトロンと畳み込みモデルでトレーニングし、精度の高いリコール、F1スコア、精度、AUCスコアでモデルのパフォーマンスを観察する。また,データ拡張を伴うResNet50とInceptionNetモデルを導入し,ResNet50が最先端モデルに勝てることを示す。
論文参考訳（メタデータ） (2023-11-13T19:51:46Z)
Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。 161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文参考訳（メタデータ） (2021-09-10T13:07:11Z)
Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo Hyperspectral Tumor Type Classification [49.32653090178743]
ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
論文参考訳（メタデータ） (2020-07-02T12:00:53Z)
Gleason Grading of Histology Prostate Images through Semantic Segmentation via Residual U-Net [60.145440290349796]
前立腺癌の最終診断は、病理学者による前立腺生検におけるGleasonパターンの視覚的検出に基づいている。コンピュータ支援診断システムは、組織内のがんのパターンを分類し分類することができる。この研究の方法論的核心は、がん組織を分節できる残留ブロックで修正された画像分割のためのU-Net畳み込みニューラルネットワークである。
論文参考訳（メタデータ） (2020-05-22T19:49:10Z)
Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。 CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
論文参考訳（メタデータ） (2020-04-22T07:30:56Z)

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。