論文の概要: Mitosis detection in domain shift scenarios: a Mamba-based approach

• arxiv url: http://arxiv.org/abs/2508.21033v1
• Date: Thu, 28 Aug 2025 17:38:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-29 18:12:02.538316
• Title: Mitosis detection in domain shift scenarios: a Mamba-based approach
• Title（参考訳）: ドメインシフトシナリオにおけるミトコンドリアの検出--マンバによるアプローチ
• Authors: Gennaro Percannella, Mattia Sarno, Francesco Tortorella, Mario Vento,
• Abstract要約: ドメインシフト下での有糸分裂検出のためのMambaベースのアプローチを提案する。 具体的には,VM-UNetアーキテクチャを利用してタスクを実行する。 MIDOG++データセットで実施された予備実験は、改善の余地が大きいことを示している。
• 参考スコア（独自算出の注目度）: 3.2490463485798338
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mitosis detection in histopathology images plays a key role in tumor assessment. Although machine learning algorithms could be exploited for aiding physicians in accurately performing such a task, these algorithms suffer from significative performance drop when evaluated on images coming from domains that are different from the training ones. In this work, we propose a Mamba-based approach for mitosis detection under domain shift, inspired by the promising performance demonstrated by Mamba in medical imaging segmentation tasks. Specifically, our approach exploits a VM-UNet architecture for carrying out the addressed task, as well as stain augmentation operations for further improving model robustness against domain shift. Our approach has been submitted to the track 1 of the MItosis DOmain Generalization (MIDOG) challenge. Preliminary experiments, conducted on the MIDOG++ dataset, show large room for improvement for the proposed method.
• Abstract（参考訳）: 病理組織像におけるミトーシスの検出は腫瘍評価において重要な役割を担っている。 機械学習アルゴリズムは、医師がそのようなタスクを正確に実行するのを助けるために利用することができるが、これらのアルゴリズムは、トレーニングと異なる領域からのイメージを評価する際に、顕著なパフォーマンス低下に悩まされる。 本研究では,マンバの医用画像分割作業における有望な性能から着想を得た,ドメインシフトによる有糸分裂検出のためのマンバベースのアプローチを提案する。 具体的には,VM-UNetアーキテクチャを用いて処理を実行するとともに,ドメインシフトに対するモデルロバスト性をさらに向上するためのステンド拡張操作を行う。 提案手法はMIDOG (Mitosis DOmain Generalization) のトラック1に提案されている。 MIDOG++データセットを用いた予備実験では,提案手法の改良の余地が大きい。

関連論文リスト

• A multi-task neural network for atypical mitosis recognition under domain shift [3.2490463485798338]
  この問題に対処するために,マルチタスク学習に基づくアプローチを提案する。 主分類課題と相関する補助的タスクを活用することにより,本提案手法は,対象物のみに焦点を絞って分類を行うことを目的としている。 提案手法は,3つの異なるデータセットを用いた予備評価において有望な性能を示す。
  論文  参考訳（メタデータ） (2025-08-28T17:39:30Z)
• 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)
• Boosting Few-Shot Learning with Disentangled Self-Supervised Learning and Meta-Learning for Medical Image Classification [8.975676404678374]
  低データ体制下で訓練されたモデルの性能と一般化能力を改善するための戦略を提案する。 提案手法は、自己教師付き学習環境において学習した特徴をアンタングル化して、下流タスクの表現の堅牢性を向上する事前学習段階から開始する。 次に、メタファインニングのステップを導入し、メタトレーニングとメタテストフェーズの関連クラスを活用するが、レベルは変化する。
  論文  参考訳（メタデータ） (2024-03-26T09:36:20Z)
• Data Augmentation-Based Unsupervised Domain Adaptation In Medical Imaging [0.709016563801433]
  脳MRI領域分割における堅牢な領域適応のための教師なし手法を提案する。 その結果,提案手法は高い精度を実現し,幅広い適用性を示し,各種タスクにおけるドメインシフトに対する顕著な堅牢性を示した。
  論文  参考訳（メタデータ） (2023-08-08T17:00:11Z)
• Robust Multi-Domain Mitosis Detection [0.0]
  未ペア画像から画像翻訳(CycleGAN)による対象特徴空間の学習 本研究は,MIDOGチャレンジのベースラインとして開発された,シンプルだが効果的な多段階的図形検出アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-09-13T06:25:15Z)
• Domain Generalization on Medical Imaging Classification using Episodic Training with Task Augmentation [62.49837463676111]
  本稿では,医用画像分類におけるタスク強化によるエピソードトレーニングの新たな手法を提案する。 実際の医療展開において、限られた数のソースドメインによって動機付けられ、ユニークなタスクレベルのオーバーフィッティングを検討します。
  論文  参考訳（メタデータ） (2021-06-13T03:56:59Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• Domain Shift in Computer Vision models for MRI data analysis: An Overview [64.69150970967524]
  機械学習とコンピュータビジョン手法は、医用画像解析において優れた性能を示している。 しかし、現在臨床応用はごくわずかである。 異なるソースや取得ドメインのデータへのモデルの不適切な転送性は、その理由の1つです。
  論文  参考訳（メタデータ） (2020-10-14T16:34:21Z)
• Unsupervised Instance Segmentation in Microscopy Images via Panoptic Domain Adaptation and Task Re-weighting [86.33696045574692]
  病理組織像における教師なし核分割のためのCycle Consistency Panoptic Domain Adaptive Mask R-CNN(CyC-PDAM)アーキテクチャを提案する。 まず,合成画像中の補助的な生成物を除去するための核塗布機構を提案する。 第二に、ドメイン識別器を持つセマンティックブランチは、パンプトレベルのドメイン適応を実現するように設計されている。
  論文  参考訳（メタデータ） (2020-05-05T11:08:26Z)
• 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)

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。