論文の概要: Mix, Align, Distil: Reliable Cross-Domain Atypical Mitosis Classification
- arxiv url: http://arxiv.org/abs/2508.20745v1
- Date: Thu, 28 Aug 2025 13:04:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-29 18:12:02.401696
- Title: Mix, Align, Distil: Reliable Cross-Domain Atypical Mitosis Classification
- Title（参考訳）: Mix, Align, Distil: Reliable Cross-Domain Atypeal Mitosis Classification
- Authors: Kaustubh Atey, Sameer Anand Jha, Gouranga Bala, Amit Sethi,
- Abstract要約: MIDOG 2025 Task 2におけるドメイン・ロバストAMF分類のための簡単なトレーニング・タイム・レシピを提案する。
提案手法の精度は0.8762、感度は0.8873、特異性は0.8651、ROC AUCは0.9499である。
- 参考スコア（独自算出の注目度）: 5.484561603970499
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Atypical mitotic figures (AMFs) are important histopathological markers yet remain challenging to identify consistently, particularly under domain shift stemming from scanner, stain, and acquisition differences. We present a simple training-time recipe for domain-robust AMF classification in MIDOG 2025 Task 2. The approach (i) increases feature diversity via style perturbations inserted at early and mid backbone stages, (ii) aligns attention-refined features across sites using weak domain labels (Scanner, Origin, Species, Tumor) through an auxiliary alignment loss, and (iii) stabilizes predictions by distilling from an exponential moving average (EMA) teacher with temperature-scaled KL divergence. On the organizer-run preliminary leaderboard for atypical mitosis classification, our submission attains balanced accuracy of 0.8762, sensitivity of 0.8873, specificity of 0.8651, and ROC AUC of 0.9499. The method incurs negligible inference-time overhead, relies only on coarse domain metadata, and delivers strong, balanced performance, positioning it as a competitive submission for the MIDOG 2025 challenge.
- Abstract（参考訳）: 非典型的有糸分裂図(AMF)は重要な病理組織学的マーカーであるが、特にスキャナー、染色、獲得の違いから生じる領域シフトの下では、一貫して同定することが困難である。
MIDOG 2025 Task 2におけるドメイン・ロバストAMF分類のための簡単なトレーニング・タイム・レシピを提案する。
アプローチ
(i)背骨の早期・中期に挿入されるスタイルの摂動により特徴の多様性が増す。
二 弱いドメインラベル(スキャナー、オリジナル、種、腫瘍)を用いて、補助的なアライメントロスを経た場所を横断して、注意精細な特徴を整列させる。
(iii)温度スケールのKL発散を伴う指数移動平均(EMA)教師からの蒸留により予測を安定化させる。
非定型有糸分裂分類のためのオーガナイザーラン予備リーダーボードでは,0.8762,感度0.8873,特異性0.8651,ROC AUC0.9499を得た。
この方法は、無視可能な推論時間オーバーヘッドを発生させ、粗いドメインメタデータのみに依存し、強いバランスの取れたパフォーマンスを提供し、MIDOG 2025チャレンジの競合候補として位置づける。
関連論文リスト
- Efficient Fine-Tuning of DINOv3 Pretrained on Natural Images for Atypical Mitotic Figure Classification in MIDOG 2025 [1.7259725776748482]
非典型的有糸分裂図(AMF)は予後不良に関連する異常な細胞分裂のマーカーである。
MIDOG 2025チャレンジでは、複数のドメインにわたるAMF分類のベンチマークが導入されている。
自然画像に基づくDINOv3-H+視覚変換器の評価を行った。
論文 参考訳（メタデータ） (2025-08-28T17:45:22Z) - A bag of tricks for real-time Mitotic Figure detection [0.0]
我々は,RTMDet単段物体検出装置の効率的な構築を行い,臨床展開に適した高推論速度を実現する。
偽陽性を減少させるために, ターゲット型, 硬い負のマイニングを壊死組織, 破片組織に適用した。
Mitosis DOmain Generalization (MIDOG) 2025の予備試験セットでは, RTMDet-Sをベースとした一段法が0.81に到達した。
論文 参考訳（メタデータ） (2025-08-27T11:45:44Z) - Uncertainty-Aware Genomic Classification of Alzheimer's Disease: A Transformer-Based Ensemble Approach with Monte Carlo Dropout [0.0]
アルツハイマー病(英語版) (AD) は遺伝学的に複雑であり、ゲノムデータも複雑である。
我々はモンテカルロ・ドロップアウトを用いた変圧器を用いたアンサンブルモデル(TrUENet)を開発した。
論文 参考訳（メタデータ） (2025-05-31T18:20:49Z) - Crane: Context-Guided Prompt Learning and Attention Refinement for Zero-Shot Anomaly Detection [50.343419243749054]
異常検出は、医学診断や工業的欠陥検出などの分野において重要である。
CLIPの粗粒化画像テキストアライメントは、微粒化異常に対する局所化と検出性能を制限する。
クレーンは最先端のZSADを2%から28%に改善し、画像レベルとピクセルレベルの両方で、推論速度では競争力を維持している。
論文 参考訳（メタデータ） (2025-04-15T10:42:25Z) - Reflecting Topology Consistency and Abnormality via Learnable Attentions for Airway Labeling [19.269806092729468]
気道解剖学的ラベリングは、気管支鏡で複雑な気管支構造を識別し、ナビゲートするために、臨床医にとって不可欠である。
従来の手法は一貫性のない予測を生成する傾向にある。
本稿では, トポロジカルな整合性を高め, 異常な気道分岐の検出を改善する手法を提案する。
論文 参考訳（メタデータ） (2024-10-31T12:04:30Z) - Model Inversion Attacks Through Target-Specific Conditional Diffusion Models [54.69008212790426]
モデル反転攻撃(MIA)は、ターゲット分類器のトレーニングセットからプライベートイメージを再構築することを目的としており、それによってAIアプリケーションにおけるプライバシー上の懸念が高まる。
従来のGANベースのMIAは、GANの固有の欠陥と潜伏空間における最適化の偏りにより、劣った遺伝子的忠実度に悩まされる傾向にある。
これらの問題を緩和するために拡散モデル反転(Diff-MI)攻撃を提案する。
論文 参考訳（メタデータ） (2024-07-16T06:38:49Z) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳（メタデータ） (2023-02-16T17:06:23Z) - Deep learning-based Subtyping of Atypical and Normal Mitoses using a
Hierarchical Anchor-Free Object Detector [0.802219018904343]
非定型有糸分裂図形(MF)は、クロマトノイドの分離異常を有するものとして形態学的に同定できる。
この研究では、初めて、ミトティックな図形の正規および非典型的なカテゴリへの自動的なサブタイピングを行う。
我々は,階層型サブクラス化分岐を用いたアンカーフリーFCOSアプローチを拡張した最先端のオブジェクト検出パイプラインを構築した。
論文 参考訳（メタデータ） (2022-12-12T13:57:38Z) - Corneal endothelium assessment in specular microscopy images with Fuchs'
dystrophy via deep regression of signed distance maps [48.498376125522114]
本稿では,UNetをベースとしたセグメンテーション手法を提案する。
これは、フックスのジストロフィーの全度にわたって、信頼できるCE形態計測と腸骨同定を実現する。
論文 参考訳（メタデータ） (2022-10-13T15:34:20Z) - Cross-Site Severity Assessment of COVID-19 from CT Images via Domain
Adaptation [64.59521853145368]
CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。
ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。
この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
論文 参考訳（メタデータ） (2021-09-08T07:56:51Z) - Vision Transformers for femur fracture classification [59.99241204074268]
Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。
史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
論文 参考訳（メタデータ） (2021-08-07T10:12:42Z)
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。