論文の概要: SCORPION: Addressing Scanner-Induced Variability in Histopathology
- arxiv url: http://arxiv.org/abs/2507.20907v1
- Date: Mon, 28 Jul 2025 15:00:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-29 16:23:58.176333
- Title: SCORPION: Addressing Scanner-Induced Variability in Histopathology
- Title（参考訳）: SCORPION:Scannerによる病理組織学的変異への対処
- Authors: Jeongun Ryu, Heon Song, Seungeun Lee, Soo Ick Cho, Jiwon Shin, Kyunghyun Paeng, Sérgio Pereira,
- Abstract要約: 様々な領域にわたる信頼性の高いモデル性能を保証することは、計算病理学において重要な課題である。
我々は、スキャナの可変性の下でモデル信頼性を評価するために明示的に設計された新しいデータセットであるSCORPIONをリリースする。
拡張型ドメイン一般化技術と整合性損失を組み合わせたフレキシブルなフレームワークであるSimConsを提案する。
- 参考スコア（独自算出の注目度）: 4.296051492560909
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Ensuring reliable model performance across diverse domains is a critical challenge in computational pathology. A particular source of variability in Whole-Slide Images is introduced by differences in digital scanners, thus calling for better scanner generalization. This is critical for the real-world adoption of computational pathology, where the scanning devices may differ per institution or hospital, and the model should not be dependent on scanner-induced details, which can ultimately affect the patient's diagnosis and treatment planning. However, past efforts have primarily focused on standard domain generalization settings, evaluating on unseen scanners during training, without directly evaluating consistency across scanners for the same tissue. To overcome this limitation, we introduce SCORPION, a new dataset explicitly designed to evaluate model reliability under scanner variability. SCORPION includes 480 tissue samples, each scanned with 5 scanners, yielding 2,400 spatially aligned patches. This scanner-paired design allows for the isolation of scanner-induced variability, enabling a rigorous evaluation of model consistency while controlling for differences in tissue composition. Furthermore, we propose SimCons, a flexible framework that combines augmentation-based domain generalization techniques with a consistency loss to explicitly address scanner generalization. We empirically show that SimCons improves model consistency on varying scanners without compromising task-specific performance. By releasing the SCORPION dataset and proposing SimCons, we provide the research community with a crucial resource for evaluating and improving model consistency across diverse scanners, setting a new standard for reliability testing.
- Abstract（参考訳）: 様々な領域にわたる信頼性の高いモデル性能を保証することは、計算病理学において重要な課題である。
ディジタルスキャナの違いによって、全スライディング画像の特定の変動源が導入されたため、より優れたスキャナの一般化が求められている。
これは、施設や病院ごとにスキャン装置が異なる場合があり、スキャナーによって引き起こされる詳細に依存してはならないため、最終的には患者の診断や治療計画に影響を及ぼす可能性がある。
しかし、これまでの取り組みは主に標準的なドメインの一般化設定に重点を置いており、同じ組織に対するスキャナー間の一貫性を直接評価することなく、トレーニング中に見えないスキャナーを評価する。
この制限を克服するため, SCORPIONは, スキャナの可変性の下でモデル信頼性を評価するために設計された新しいデータセットである。
SCORPIONには480の組織サンプルが含まれており、それぞれ5つのスキャナーでスキャンされ、2,400個の空間的に整列したパッチが得られる。
このスキャナペア設計により、スキャナが誘起する可変性の分離が可能となり、組織組成の違いを制御しながら、モデル一貫性の厳密な評価が可能となる。
さらに,拡張型ドメイン一般化技術と整合性損失を組み合わせたフレキシブルなフレームワークであるSimConsを提案する。
我々は,SimConsがタスク固有の性能を損なうことなく,様々なスキャナ上でのモデル一貫性を向上させることを実証的に示す。
SCORPIONデータセットをリリースし、SimConsを提案することで、さまざまなスキャナー間のモデルの一貫性を評価し改善するための重要なリソースを研究コミュニティに提供し、信頼性テストの新しい標準を設定します。
関連論文リスト
- Pathology Foundation Models are Scanner Sensitive: Benchmark and Mitigation with Contrastive ScanGen Loss [6.310092608526967]
ファンデーションモデル(FM)は依然としてスキャナーバイアスに悩まされている。
ScanGenは,タスク固有の微調整時に適用され,スキャナのバイアスを軽減する。
肺がんにおける上皮成長因子受容体(EGFR)変異予測のマルチインスタンス学習タスクに本手法を適用した。
論文 参考訳（メタデータ） (2025-07-29T12:35:08Z) - RadFabric: Agentic AI System with Reasoning Capability for Radiology [61.25593938175618]
RadFabricは、総合的なCXR解釈のための視覚的およびテキスト分析を統合するマルチエージェント、マルチモーダル推論フレームワークである。
システムは、病理診断に特殊なCXRエージェント、正確な解剖学的構造に視覚所見をマッピングする解剖学的解釈エージェント、および視覚的、解剖学的、臨床データを透明かつ証拠に基づく診断に合成する大規模なマルチモーダル推論モデルを利用した推論エージェントを使用する。
論文 参考訳（メタデータ） (2025-06-17T03:10:33Z) - DISARM++: Beyond scanner-free harmonization [0.0]
異なるスキャナー間でのT1強調MR画像の調和は、ニューロイメージング研究における一貫性の確保に不可欠である。
本研究は,抽出した特徴が下流解析に本質的に信頼性を保ち続けることを保証するために,特徴の標準化を超えて,画像調和の新たなアプローチを提案する。
本手法は,(1) イメージをスキャナのない空間にマッピングすることで,すべてのスキャナに一様に見えるようにし,(2) イメージをモデルトレーニングに使用する特定のスキャナの領域に変換し,その特徴を埋め込むという2つの方法を実現する。
論文 参考訳（メタデータ） (2025-05-06T17:36:49Z) - A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。
我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
論文 参考訳（メタデータ） (2024-10-05T20:03:57Z) - The Impact of Scanner Domain Shift on Deep Learning Performance in Medical Imaging: an Experimental Study [1.4628485867112924]
我々は,異なる自動診断タスクにおいて,スキャナ領域シフトが畳み込みニューラルネットワーク性能に与える影響を評価する。
異なるスキャナーのデータに対するネットワーク性能は、ほぼ常に同じスキャナーのデータよりも悪い。
我々は、MRIやX線には存在しないCT取得システムの標準化された性質に、この落とし穴があると考えている。
論文 参考訳（メタデータ） (2024-09-06T15:59:30Z) - On Sensitivity and Robustness of Normalization Schemes to Input
Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。
DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。
本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文 参考訳（メタデータ） (2023-06-23T03:09:03Z) - PrepNet: A Convolutional Auto-Encoder to Homogenize CT Scans for
Cross-Dataset Medical Image Analysis [0.22485007639406518]
新型コロナウイルスの診断はPCR検査で効率的に行えるようになったが、このユースケースは、データの多様性を克服する方法論の必要性を実証するものだ。
本稿では,CTスキャンに最小限の変更を同時に導入しながら,イメージング技術によって引き起こされる差を解消することを目的とした,新しい生成手法を提案する。
論文 参考訳（メタデータ） (2022-08-19T15:49:47Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳（メタデータ） (2022-02-22T15:24:06Z) - An augmentation strategy to mimic multi-scanner variability in MRI [0.2839215671218125]
ほとんどの公開脳MRIデータセットは、スキャナーとプロトコルの点で非常に均質です。
このようなデータから学習するモデルがマルチセンタデータやマルチスキャナデータに一般化することは困難です。
本研究では,実世界の臨床データにみられる強度とコントラストの差分を近似するために,新しいデータ拡張手法を提案する。
論文 参考訳（メタデータ） (2021-03-23T14:49:38Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
論文 参考訳（メタデータ） (2020-10-14T16:50:50Z) - Improved inter-scanner MS lesion segmentation by adversarial training on
longitudinal data [0.0]
ホワイトマター病変進展の評価は,MS患者の経過観察において重要なバイオマーカーである。
現在の自動病変分割アルゴリズムは、MRIスキャナーやプロトコルの違いに関連する画像特性の変化の影響を受けやすい。
スキャン間研究におけるMS病変のセグメンテーションの整合性を改善するモデルを提案する。
論文 参考訳（メタデータ） (2020-02-03T16:56:05Z)
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。