論文の概要: Domain Generalization of Pathological Image Segmentation by Patch-Level and WSI-Level Contrastive Learning

• arxiv url: http://arxiv.org/abs/2508.07539v1
• Date: Mon, 11 Aug 2025 01:38:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:28.904436
• Title: Domain Generalization of Pathological Image Segmentation by Patch-Level and WSI-Level Contrastive Learning
• Title（参考訳）: Patch-LevelとWSI-Level Contrastive Learningによる病理画像分割のドメイン一般化
• Authors: Yuki Shigeyasu, Shota Harada, Akihiko Yoshizawa, Kazuhiro Terada, Naoki Nakazima, Mariyo Kurata, Hiroyuki Abe, Tetsuo Ushiku, Ryoma Bise,
• Abstract要約: 患者の特徴や組織厚などのスライド画像全体(WSI)の変化に着目し,病理画像の領域シフトに着目した。 従来のアプローチはマルチホスピタルデータに依存していたが、データ収集の課題はしばしばこれを非現実的なものにしている。 提案手法は,これらのギャップを効果的に最小化するために,WSIレベルとパッチレベルのコントラスト学習という2段階のコントラスト学習手法を提案する。
• 参考スコア（独自算出の注目度）: 4.140534091544092
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we address domain shifts in pathological images by focusing on shifts within whole slide images~(WSIs), such as patient characteristics and tissue thickness, rather than shifts between hospitals. Traditional approaches rely on multi-hospital data, but data collection challenges often make this impractical. Therefore, the proposed domain generalization method captures and leverages intra-hospital domain shifts by clustering WSI-level features from non-tumor regions and treating these clusters as domains. To mitigate domain shift, we apply contrastive learning to reduce feature gaps between WSI pairs from different clusters. The proposed method introduces a two-stage contrastive learning approach WSI-level and patch-level contrastive learning to minimize these gaps effectively.
• Abstract（参考訳）: 本稿では,病院間のシフトではなく,患者の特徴や組織厚など,スライド画像全体のシフト(WSI)に着目して,病理画像の領域シフトに対処する。 従来のアプローチはマルチホスピタルデータに依存していたが、データ収集の課題はしばしばこれを非現実的なものにしている。 そこで本提案手法は,非腫瘍領域からWSIレベルの特徴をクラスタリングし,これらの特徴をドメインとして扱うことにより,ホスピタル内ドメインシフトを捕捉し,活用する。 ドメインシフトを軽減するために、異なるクラスタからWSIペア間の特徴ギャップを減らすために、コントラスト学習を適用します。 提案手法は,これらのギャップを効果的に最小化するために,WSIレベルとパッチレベルのコントラスト学習という2段階のコントラスト学習手法を提案する。

関連論文リスト

• HASD: Hierarchical Adaption for pathology Slide-level Domain-shift [41.62754003105711]
  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。
  論文  参考訳（メタデータ） (2025-06-30T09:52:01Z)
• Glioma subtype classification from histopathological images using in-domain and out-of-domain transfer learning: An experimental study [9.161480191416551]
  成人型びまん性グリオーマのコンピュータ支援分類のための様々な伝達学習戦略と深層学習アーキテクチャを比較した。 半教師付き学習手法を提案し、細調整されたモデルを用いて、スライド画像全体の無注釈領域のラベルを予測する。 モデルはその後、前のステップで決定された接地構造ラベルと弱いラベルを用いて再訓練され、標準のドメイン間転送学習と比較して優れた性能を提供する。
  論文  参考訳（メタデータ） (2023-09-29T13:22:17Z)
• A Novel Cross-Perturbation for Single Domain Generalization [54.612933105967606]
  単一ドメインの一般化は、モデルが単一のソースドメインでトレーニングされたときに未知のドメインに一般化する能力を高めることを目的としている。 トレーニングデータの限られた多様性は、ドメイン不変の特徴の学習を妨げ、結果として一般化性能を損なう。 トレーニングデータの多様性を高めるために,CPerbを提案する。
  論文  参考訳（メタデータ） (2023-08-02T03:16:12Z)
• Cluster Entropy: Active Domain Adaptation in Pathological Image Segmentation [7.500364675640502]
  半教師付きドメイン適応に使用される有効全スライド画像(WSI)を選択するクラスタエントロピーを提案する。 このアプローチは、WSIのイメージ特徴がターゲットドメイン全体の分布をどのようにカバーしているかを測定することができる。 本手法は,2つの病院から収集したデータセットの先行技術に対して,競争力のある結果を得た。
  論文  参考訳（メタデータ） (2023-04-26T12:53:41Z)
• Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
  本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。 具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。 提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-05-17T10:11:45Z)
• Margin Preserving Self-paced Contrastive Learning Towards Domain Adaptation for Medical Image Segmentation [51.93711960601973]
  クロスモーダル医療画像セグメンテーションのための自己ペースコントラスト学習モデルを保存する新しいマージンを提案する。 プログレッシブに洗練されたセマンティックプロトタイプの指導により、埋め込み表現空間の識別性を高めるために、コントラスト損失を減少させる新しいマージンが提案される。 クロスモーダル心セグメンテーションタスクの実験は、MPSCLが意味セグメンテーション性能を大幅に改善することを示した。
  論文  参考訳（メタデータ） (2021-03-15T15:23:10Z)
• Cross-Domain Grouping and Alignment for Domain Adaptive Semantic Segmentation [74.3349233035632]
  深層畳み込みニューラルネットワーク(CNN)内のソースドメインとターゲットドメインにセマンティックセグメンテーションネットワークを適用する既存の技術は、対象ドメイン自身や推定カテゴリ内のクラス間変異を考慮していない。 学習可能なクラスタリングモジュールと、クロスドメイングルーピングとアライメントと呼ばれる新しいドメイン適応フレームワークを導入する。 本手法はセマンティクスセグメンテーションにおける適応性能を一貫して向上させ,様々なドメイン適応設定において最先端を上回っている。
  論文  参考訳（メタデータ） (2020-12-15T11:36:21Z)
• 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)
• Cross-Domain Few-Shot Classification via Learned Feature-Wise Transformation [109.89213619785676]
  各クラスにラベル付き画像がほとんどない新しいカテゴリを識別することを目的としている。 既存のメトリックベースの数ショット分類アルゴリズムは、クエリ画像の特徴埋め込みとラベル付き画像の特徴埋め込みを比較して、カテゴリを予測する。 有望な性能が証明されているが、これらの手法は目に見えない領域に一般化できないことが多い。
  論文  参考訳（メタデータ） (2020-01-23T18:55:43Z)

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。