論文の概要: SemaMIL: Semantic Reordering with Retrieval-Guided State Space Modeling for Whole Slide Image Classification

• arxiv url: http://arxiv.org/abs/2509.00442v1
• Date: Sat, 30 Aug 2025 10:13:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.233275
• Title: SemaMIL: Semantic Reordering with Retrieval-Guided State Space Modeling for Whole Slide Image Classification
• Title（参考訳）: SemaMIL:全スライド画像分類のための検索誘導状態空間モデリングによるセマンティックリオーダー
• Authors: Lubin Gan, Xiaoman Wu, Jing Zhang, Zhifeng Wang, Linhao Qu, Siying Wu, Xiaoyan Sun,
• Abstract要約: SemaMILは,スライド画像全体から識別特徴を抽出する適応的手法である。 セマンティックに類似したパッチを、可逆的な置換によってシーケンスでクラスタ化する。 FLOPやパラメータを少なくして最先端のサブタイプ精度を実現する。
• 参考スコア（独自算出の注目度）: 17.674866281320046
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multiple instance learning (MIL) has become the leading approach for extracting discriminative features from whole slide images (WSIs) in computational pathology. Attention-based MIL methods can identify key patches but tend to overlook contextual relationships. Transformer models are able to model interactions but require quadratic computational cost and are prone to overfitting. State space models (SSMs) offer linear complexity, yet shuffling patch order disrupts histological meaning and reduces interpretability. In this work, we introduce SemaMIL, which integrates Semantic Reordering (SR), an adaptive method that clusters and arranges semantically similar patches in sequence through a reversible permutation, with a Semantic-guided Retrieval State Space Module (SRSM) that chooses a representative subset of queries to adjust state space parameters for improved global modeling. Evaluation on four WSI subtype datasets shows that, compared to strong baselines, SemaMIL achieves state-of-the-art accuracy with fewer FLOPs and parameters.
• Abstract（参考訳）: マルチ・インスタンス・ラーニング(MIL)は、コンピュータ病理学において、スライド画像全体(WSI)から識別的特徴を抽出する主要な手法となっている。 注意に基づくMILメソッドは、キーパッチを識別できるが、コンテキスト関係を無視する傾向がある。 トランスフォーマーモデルは相互作用をモデル化できるが、2次計算コストが必要であり、オーバーフィットしがちである。 状態空間モデル(SSM)は線形複雑性を提供するが、パッチ順のシャッフルは組織学的意味を乱し、解釈可能性を低減する。 本研究では,Semantic Reordering (SR) とSemantic-Guided Retrieval State Space Module (SRSM) を統合して,グローバルモデリングを改善するための状態空間パラメータの調整を行うSemantic Reordering (SR) を導入する。 4つのWSIサブタイプデータセットの評価では、強いベースラインと比較して、SemaMILはFLOPやパラメータが少なくて最先端の精度を実現している。

関連論文リスト

• SAM-MIL: A Spatial Contextual Aware Multiple Instance Learning Approach for Whole Slide Image Classification [9.69491390062406]
  本研究では,空間的文脈認識を重視し,空間的文脈を明示的に取り入れた新しいMILフレームワークSAM-MILを提案する。 提案手法は,空間的文脈に基づくグループ特徴抽出とSAM-Guided Group Masking戦略を含む。 CAMELYON-16およびTCGA肺がんデータセットの実験結果から,提案したSAM-MILモデルは,WSIs分類において既存の主流手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-07-25T01:12:48Z)
• Spatial Semantic Recurrent Mining for Referring Image Segmentation [63.34997546393106]
  高品質なクロスモーダリティ融合を実現するために,Stextsuperscript2RMを提案する。 これは、言語特徴の分散、空間的意味的再帰的分離、パーセマンティック・セマンティック・バランシングという三部作の作業戦略に従う。 提案手法は他の最先端アルゴリズムに対して好適に機能する。
  論文  参考訳（メタデータ） (2024-05-15T00:17:48Z)
• MamMIL: Multiple Instance Learning for Whole Slide Images with State Space Models [56.37780601189795]
  本稿では,WSI分析のためのフレームワークMamMILを提案する。 私たちは各WSIを非指向グラフとして表現します。 マンバが1次元シーケンスしか処理できない問題に対処するために、トポロジ対応の走査機構を提案する。
  論文  参考訳（メタデータ） (2024-03-08T09:02:13Z)
• Switchable Representation Learning Framework with Self-compatibility [50.48336074436792]
  自己整合性(SFSC)を考慮した交換可能な表現学習フレームワークを提案する。 SFSCは1つのトレーニングプロセスを通じて、異なる能力を持つ一連の互換性のあるサブモデルを生成する。 SFSCは評価データセット上で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-06-16T16:46:32Z)
• Diverse Semantic Image Synthesis via Probability Distribution Modeling [103.88931623488088]
  新規な多様な意味的画像合成フレームワークを提案する。 本手法は最先端手法と比較して優れた多様性と同等の品質を実現することができる。
  論文  参考訳（メタデータ） (2021-03-11T18:59:25Z)

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。