論文の概要: Deformable Attention Graph Representation Learning for Histopathology Whole Slide Image Analysis

• arxiv url: http://arxiv.org/abs/2508.05382v1
• Date: Thu, 07 Aug 2025 13:30:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-08 18:59:39.87533
• Title: Deformable Attention Graph Representation Learning for Histopathology Whole Slide Image Analysis
• Title（参考訳）: スライド画像解析のための変形性注意グラフ表現学習
• Authors: Mingxi Fu, Xitong Ling, Yuxuan Chen, Jiawen Li, fanglei fu, Huaitian Yuan, Tian Guan, Yonghong He, Lianghui Zhu,
• Abstract要約: 本稿では,病理画像解析における変形性を考慮した新しいGNNフレームワークを提案する。 パッチの特徴に基づいて動的重み付き有向グラフを構築し、各ノードが注目重み付きエッジを介して隣人からのコンテキスト情報を集約する。 具体的には、各パッチの実際の座標から得られる学習可能な空間オフセットを組み込み、モデルがスライド全体の形態的関連領域に適応的に参加できるようにする。
• 参考スコア（独自算出の注目度）: 9.724220291296927
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate classification of Whole Slide Images (WSIs) and Regions of Interest (ROIs) is a fundamental challenge in computational pathology. While mainstream approaches often adopt Multiple Instance Learning (MIL), they struggle to capture the spatial dependencies among tissue structures. Graph Neural Networks (GNNs) have emerged as a solution to model inter-instance relationships, yet most rely on static graph topologies and overlook the physical spatial positions of tissue patches. Moreover, conventional attention mechanisms lack specificity, limiting their ability to focus on structurally relevant regions. In this work, we propose a novel GNN framework with deformable attention for pathology image analysis. We construct a dynamic weighted directed graph based on patch features, where each node aggregates contextual information from its neighbors via attention-weighted edges. Specifically, we incorporate learnable spatial offsets informed by the real coordinates of each patch, enabling the model to adaptively attend to morphologically relevant regions across the slide. This design significantly enhances the contextual field while preserving spatial specificity. Our framework achieves state-of-the-art performance on four benchmark datasets (TCGA-COAD, BRACS, gastric intestinal metaplasia grading, and intestinal ROI classification), demonstrating the power of deformable attention in capturing complex spatial structures in WSIs and ROIs.
• Abstract（参考訳）: WSI(Whole Slide Images)とROI(Rereas of Interest)の正確な分類は、計算病理学における根本的な課題である。 主流のアプローチは、しばしばMIL(Multiple Instance Learning)を採用するが、組織構造間の空間的依存関係を捉えるのに苦労する。 グラフニューラルネットワーク(GNN)は、インスタンス間の関係をモデル化するソリューションとして登場したが、ほとんどの場合、静的グラフトポロジに依存し、組織パッチの物理的位置を見落としている。 さらに、従来の注意機構には特異性がなく、構造的に関連のある領域に集中する能力が制限されている。 本研究では,病理画像解析における変形性を考慮した新しいGNNフレームワークを提案する。 パッチの特徴に基づいて動的重み付き有向グラフを構築し、各ノードが注目重み付きエッジを介して隣人からのコンテキスト情報を集約する。 具体的には、各パッチの実際の座標から得られる学習可能な空間オフセットを組み込み、モデルがスライド全体の形態的関連領域に適応的に参加できるようにする。 この設計は空間的特異性を保ちながら文脈場を大幅に向上させる。 本フレームワークは,4つのベンチマークデータセット(TCGA-COAD, BRACS, 胃腸メタプラシアグレーディング, 腸管ROI分類)の最先端性能を実現し,WSIとROIの複雑な空間構造を捉える際の変形性注意力を示す。

関連論文リスト

• Hierarchical Multi-Scale Graph Learning with Knowledge-Guided Attention for Whole-Slide Image Survival Analysis [7.719549259296449]
  Hierarchical Multi-scale Knowledge-aware Graph Network (HMKGN) は、がん予後のための全スライディング画像(WSI)内のマルチスケール相互作用と空間的階層関係をモデル化する。 生存予測には4つのTCGAコホート(KIRC, LGG, PAAD, STAD)を用いてHMKGNを評価した。
  論文  参考訳（メタデータ） (2026-02-26T23:47:27Z)
• Graph Laplacian Transformer with Progressive Sampling for Prostate Cancer Grading [2.9485900021889146]
  本稿では,特徴学習と空間整合性の両立を図るために,反復リファインメントモジュール (IRM) と統合されたグラフラプラシアンアテンションベーストランス (GLAT) を提案する。 IRMは、事前訓練されたResNet50を局所的特徴抽出に利用し、重要なスコアリングのために、非段階的なモードで基礎モデルを活用することにより、パッチ選択を反復的に洗練する。 GLATは、パッチがノードとして機能するグラフを構築し、グラフラプラシアン制約による空間的一貫性を確保することによって、組織レベルの接続をモデル化する。
  論文  参考訳（メタデータ） (2025-12-11T16:55:57Z)
• GROVER: Graph-guided Representation of Omics and Vision with Expert Regulation for Adaptive Spatial Multi-omics Fusion [8.680469644745463]
  本稿では,適応型空間マルチオミクス融合のエキスパートレギュレーションによるオミとビジョンのグラフ誘導表現を提案する。 GROVERは空間マルチオミクスデータの適応的統合のための新しいフレームワークである。 GROVERは最先端のベースラインより優れていることを示す。
  論文  参考訳（メタデータ） (2025-11-13T06:20:37Z)
• GCRPNet: Graph-Enhanced Contextual and Regional Perception Network for Salient Object Detection in Optical Remote Sensing Images [68.33481681452675]
  本稿では,GCRPNet(Graph-enhanced contextual and Regional Recognition Network)を提案する。 これはMambaアーキテクチャの上に構築され、長距離依存関係を同時にキャプチャし、地域的特徴表現を強化する。 マルチスケールの畳み込みによって処理される特徴マップに対して適応的なパッチスキャンを行い、リッチなローカル領域情報をキャプチャする。
  論文  参考訳（メタデータ） (2025-08-14T11:31:43Z)
• From Pixels to Histopathology: A Graph-Based Framework for Interpretable Whole Slide Image Analysis [81.19923502845441]
  我々はWSIグラフ表現を構成するグラフベースのフレームワークを開発する。 任意のパッチではなく生物学的境界に従う組織表現(ノード)を構築します。 本手法の最終段階として,グラフアテンションネットワークを用いて診断課題を解決する。
  論文  参考訳（メタデータ） (2025-03-14T20:15:04Z)
• Global graph features unveiled by unsupervised geometric deep learning [0.0]
  GAUDI(Graph Autoencoder Uncovering Descriptive Information)は,幾何学的教師なしディープラーニングフレームワークである。 GAUDIは、階層的なプーリングとアップサンプリング層を備えた革新的な時間ガラスアーキテクチャを採用し、接続情報を保存するためにスキップ接続を介してリンクする。 我々は、小型世界のネットワークのモデリング、超解像顕微鏡からのアセンブリのキャラクタリゼーション、Vicsekモデルにおける集合運動の解析、脳の接続性の変化の年齢変化の把握など、複数のアプリケーションにまたがるそのパワーを実証する。
  論文  参考訳（メタデータ） (2025-03-07T16:38:41Z)
• TransGUNet: Transformer Meets Graph-based Skip Connection for Medical Image Segmentation [1.2186950360560143]
  我々は、スキップ接続フレームワークを強化するために、注意的クロススケールグラフニューラルネットワーク(ACS-GNN)を導入する。 ACS-GNNは、クロススケールな特徴マップをグラフ構造に変換し、ノードの注意を通して複雑な解剖学的構造をキャプチャする。 我々のフレームワークであるTransGUNetは、ASS-GNNとEFSをベースとした空間 attentio から構成され、様々なモードでドメインの一般化性を高める。
  論文  参考訳（メタデータ） (2025-02-14T05:54:13Z)
• Graph Structure Learning for Spatial-Temporal Imputation: Adapting to Node and Feature Scales [29.499581329290805]
  空間時間インプット(GSLI)のためのマルチスケールグラフ構造学習フレームワークについて紹介する。 本フレームワークは,異なる特徴の異なるグローバル空間相関に対応するために,ノードスケールグラフ構造学習を包含する。 我々のフレームワークは、プロミネンスモデリングと統合され、計算過程においてより重要なノードと特徴を強調します。
  論文  参考訳（メタデータ） (2024-12-24T16:34:50Z)
• Spatiotemporal Graph Learning with Direct Volumetric Information Passing and Feature Enhancement [62.91536661584656]
  本稿では,CeFeGNN(CeFeGNN)とCell-embeddedとFeature-enhanced Graph Neural Networkを学習用として提案する。 学習可能なセル属性を共通ノードエッジメッセージパッシングプロセスに埋め込むことで,地域特性の空間依存性をよりよく把握する。 各種PDEシステムと1つの実世界のデータセットを用いた実験により、CeFeGNNは他のベースラインと比較して優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2024-09-26T16:22:08Z)
• Dynamic Graph Representation with Knowledge-aware Attention for Histopathology Whole Slide Image Analysis [11.353826466710398]
  本稿では,知識グラフ構造の形式としてWSIを概念化する新しい動的グラフ表現アルゴリズムを提案する。 具体的には、インスタンス間の頭と尾の関係に基づいて、隣人や方向のエッジの埋め込みを動的に構築する。 我々のエンドツーエンドグラフ表現学習アプローチは、TCGAベンチマーク3つのデータセットと社内テストセットにおける最先端のWSI分析手法よりも優れています。
  論文  参考訳（メタデータ） (2024-03-12T14:58:51Z)
• Histopathology Whole Slide Image Analysis with Heterogeneous Graph Representation Learning [78.49090351193269]
  本稿では,WSI分析のために,異なる種類の核間の相互関係を利用する新しいグラフベースのフレームワークを提案する。 具体的には、WSI を各ノードに "nucleus-type" 属性と各エッジに類似した意味属性を持つ異種グラフとして定式化する。 我々のフレームワークは、様々なタスクに対してかなりのマージンで最先端の手法より優れています。
  論文  参考訳（メタデータ） (2023-07-09T14:43:40Z)
• Distance-aware Molecule Graph Attention Network for Drug-Target Binding Affinity Prediction [54.93890176891602]
  薬物標的結合親和性予測に適したDiStance-aware Molecule graph Attention Network (S-MAN)を提案する。 そこで,我々はまず,構築したポケットリガンドグラフに位相構造と空間位置情報を統合する位置符号化機構を提案する。 また,エッジレベルアグリゲーションとノードレベルアグリゲーションを有するエッジノード階層的アグリゲーション構造を提案する。
  論文  参考訳（メタデータ） (2020-12-17T17:44:01Z)
• Multi-Level Graph Convolutional Network with Automatic Graph Learning for Hyperspectral Image Classification [63.56018768401328]
  HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。 空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。 MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
  論文  参考訳（メタデータ） (2020-09-19T09:26:20Z)
• Structured Landmark Detection via Topology-Adapting Deep Graph Learning [75.20602712947016]
  解剖学的顔と医学的ランドマーク検出のための新しいトポロジ適応深層グラフ学習手法を提案する。 提案手法は局所像特徴と大域形状特徴の両方を利用するグラフ信号を構成する。 3つの公開顔画像データセット(WFLW、300W、COFW-68)と3つの現実世界のX線医学データセット(ケパロメトリ、ハンド、ペルビス)で実験を行った。
  論文  参考訳（メタデータ） (2020-04-17T11:55:03Z)
• High-Order Information Matters: Learning Relation and Topology for Occluded Person Re-Identification [84.43394420267794]
  本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。 我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-03-18T12:18:35Z)

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。