論文の概要: MorphGen: Morphology-Guided Representation Learning for Robust Single-Domain Generalization in Histopathological Cancer Classification

• arxiv url: http://arxiv.org/abs/2509.00311v1
• Date: Sat, 30 Aug 2025 01:59:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.172271
• Title: MorphGen: Morphology-Guided Representation Learning for Robust Single-Domain Generalization in Histopathological Cancer Classification
• Title（参考訳）: MorphGen: 病理組織学的分類におけるロバスト単一領域一般化のための形態誘導型表現学習
• Authors: Hikmat Khan, Syed Farhan Alam Zaidi, Pir Masoom Shah, Kiruthika Balakrishnan, Rabia Khan, Muhammad Waqas, Jia Wu,
• Abstract要約: 計算病理学における領域一般化は、スライド画像全体の不均一性によって妨げられる。 組織像,拡張,核分割マスクを統合したMorphGenを提案する。 画像の汚損(染色品など)や敵攻撃に対する学習表現のレジリエンスを実証する。
• 参考スコア（独自算出の注目度）: 7.220226391639059
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Domain generalization in computational histopathology is hindered by heterogeneity in whole slide images (WSIs), caused by variations in tissue preparation, staining, and imaging conditions across institutions. Unlike machine learning systems, pathologists rely on domain-invariant morphological cues such as nuclear atypia (enlargement, irregular contours, hyperchromasia, chromatin texture, spatial disorganization), structural atypia (abnormal architecture and gland formation), and overall morphological atypia that remain diagnostic across diverse settings. Motivated by this, we hypothesize that explicitly modeling biologically robust nuclear morphology and spatial organization will enable the learning of cancer representations that are resilient to domain shifts. We propose MorphGen (Morphology-Guided Generalization), a method that integrates histopathology images, augmentations, and nuclear segmentation masks within a supervised contrastive learning framework. By aligning latent representations of images and nuclear masks, MorphGen prioritizes diagnostic features such as nuclear and morphological atypia and spatial organization over staining artifacts and domain-specific features. To further enhance out-of-distribution robustness, we incorporate stochastic weight averaging (SWA), steering optimization toward flatter minima. Attention map analyses revealed that MorphGen primarily relies on nuclear morphology, cellular composition, and spatial cell organization within tumors or normal regions for final classification. Finally, we demonstrate resilience of the learned representations to image corruptions (such as staining artifacts) and adversarial attacks, showcasing not only OOD generalization but also addressing critical vulnerabilities in current deep learning systems for digital pathology. Code, datasets, and trained models are available at: https://github.com/hikmatkhan/MorphGen
• Abstract（参考訳）: 計算病理学における領域の一般化は, 組織調製, 染色, イメージング条件の変化によって引き起こされる全スライド画像(WSI)の不均一性によって妨げられる。 機械学習システムとは異なり、病理学者は、核熱因果(拡大、不規則な輪郭、高クロマシア、クロマチンのテクスチャ、空間的分解)、構造的熱因果(異常な構造と腺形成)、そして様々な状況で診断される全体的な形態素因果に頼っている。 そこで我々は, 生物学的に堅牢な核形態と空間構造を明示的にモデル化することで, ドメインシフトに耐性のあるがん表現の学習が可能になると仮定した。 我々は,組織像,拡張,核分割マスクを統合したMorphGen(Morphology-Guided Generalization)を,教師付きコントラスト学習フレームワーク内に提案する。 MorphGenは、画像と核マスクの潜伏した表現を整列させることによって、核や形態上の気質や空間的な組織といった診断的特徴を、染色物やドメイン固有の特徴よりも優先する。 配電系統の安定性をさらに高めるため、より平坦なミニマに向けてのステアリング最適化である確率的ウェイト平均化(SWA)を取り入れた。 注意マップ解析により、MorphGenは主に最終分類のために腫瘍や正常領域内の核形態、細胞組成、空間細胞構造に依存していることが明らかとなった。 最後に,学習した表現のレジリエンスを画像の汚損(染色品など)や敵対的攻撃に示し,OODの一般化だけでなく,現在のデジタル病理の深層学習システムにおける致命的な脆弱性にも対処していることを示す。 コード、データセット、トレーニングされたモデルは、https://github.com/hikmatkhan/MorphGen.comで入手できる。

関連論文リスト

• AdvDINO: Domain-Adversarial Self-Supervised Representation Learning for Spatial Proteomics [0.42855555838080833]
  自己教師付き学習(SSL)は、手動のアノテーションなしで視覚表現を学習するための強力なアプローチとして登場した。 本稿では,ドメイン逆転層をDINOv2アーキテクチャに統合し,ドメイン不変の特徴学習を促進するドメイン逆転型自己教師型学習フレームワークAdvDINOを提案する。
  論文  参考訳（メタデータ） (2025-08-07T00:51:54Z)
• Multi-Scale Representation of Follicular Lymphoma Pathology Images in a Single Hyperbolic Space [16.779755785147195]
  自己教師付き学習を用いた悪性リンパ腫の病理像の表現法を提案する。 疾患進行の過程で発生する形態変化を捉えるため,本手法では組織とそれに対応する核像を互いに近接して埋め込む。
  論文  参考訳（メタデータ） (2025-06-23T11:25:55Z)
• MIRROR: Multi-Modal Pathological Self-Supervised Representation Learning via Modality Alignment and Retention [52.106879463828044]
  病理組織学と転写学は、腫瘍学の基本的なモダリティであり、疾患の形態学的および分子的側面を包含している。 モーダルアライメントと保持を両立させる新しいマルチモーダル表現学習法であるMIRRORを提案する。 がんの亜型化と生存分析のためのTCGAコホートに関する広範囲な評価は,MIRRORの優れた性能を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-03-01T07:02:30Z)
• Progressive Retinal Image Registration via Global and Local Deformable Transformations [49.032894312826244]
  我々はHybridRetinaと呼ばれるハイブリッド登録フレームワークを提案する。 キーポイント検出器とGAMorphと呼ばれる変形ネットワークを用いて、大域的な変換と局所的な変形可能な変換を推定する。 FIREとFLoRI21という2つの広く使われているデータセットの実験により、提案したHybridRetinaは最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-02T08:43:50Z)
• Revisiting Adaptive Cellular Recognition Under Domain Shifts: A Contextual Correspondence View [49.03501451546763]
  生物学的文脈における暗黙の対応の重要性を明らかにする。 モデル構成成分間のインスタンス認識トレードオフを確保するために, 自己適応型動的蒸留を提案する。
  論文  参考訳（メタデータ） (2024-07-14T04:41:16Z)
• NASDM: Nuclei-Aware Semantic Histopathology Image Generation Using Diffusion Models [3.2996723916635267]
  第一種核認識意味組織生成フレームワーク(NASDM) NASDMは、最大6種類の核型のセマンティック・インスタンス・マスクを与えられた現実的な組織サンプルを合成することができる。 これらの合成画像は、病理学、モデルの検証、既存の核セグメンテーションデータセットの補充に有用である。
  論文  参考訳（メタデータ） (2023-03-20T22:16:03Z)
• Self-Supervised Vision Transformers Learn Visual Concepts in Histopathology [5.164102666113966]
  我々は、様々な弱い教師付きおよびパッチレベルのタスクに対する検証を行い、様々な自己教師付きモデルを訓練することにより、病理学における良い表現を探索する。 我々の重要な発見は、DINOベースの知識蒸留を用いたビジョントランスフォーマーが、組織像におけるデータ効率と解釈可能な特徴を学習できることを発見したことである。
  論文  参考訳（メタデータ） (2022-03-01T16:14:41Z)
• Learning domain-agnostic visual representation for computational pathology using medically-irrelevant style transfer augmentation [4.538771844947821]
  STRAP(Style TRansfer Augmentation for histoPathology)は、芸術絵画からのランダムなスタイル移行に基づくデータ拡張の一形態である。 スタイル転送は、画像の低レベルのテクスチャ内容をランダムに選択された芸術絵画の非形式的なスタイルに置き換える。 STRAPが最先端のパフォーマンス、特にドメインシフトの存在につながることを実証する。
  論文  参考訳（メタデータ） (2021-02-02T18:50:16Z)

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。