論文の概要: Pan-Cancer mitotic figures detection and domain generalization: MIDOG 2025 Challenge
- arxiv url: http://arxiv.org/abs/2509.02585v1
- Date: Thu, 28 Aug 2025 16:11:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-04 21:40:46.227512
- Title: Pan-Cancer mitotic figures detection and domain generalization: MIDOG 2025 Challenge
- Title（参考訳）: MIDOG 2025 Challenge: Pan-Cancer mitotic figure detection and domain generalization
- Authors: Zhuoyan Shen, Esther Bär, Maria Hawkins, Konstantin Bräutigam, Charles-Antoine Collins-Fekete,
- Abstract要約: 本報告では、Mitotic Domain Generalization (MIDOG) 2025の課題について詳述する。
癌予後の病理組織学における有糸分裂型人物検出の重要課題に対処する。
従来のciteShen2024framework と非定型mitoses citeshen025_16780587 のトレーニングデータを強化するための2つの新しいデータセットをリリースする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This report details our submission to the Mitotic Domain Generalization (MIDOG) 2025 challenge, which addresses the critical task of mitotic figure detection in histopathology for cancer prognostication. Following the "Bitter Lesson"\cite{sutton2019bitterlesson} principle that emphasizes data scale over algorithmic novelty, we have publicly released two new datasets to bolster training data for both conventional \cite{Shen2024framework} and atypical mitoses \cite{shen_2025_16780587}. Besides, we implement up-to-date training methodologies for both track and reach a Track-1 F1-Score of 0.8407 on our test set, as well as a Track-2 balanced accuracy of 0.9107 for atypical mitotic cell classification.
- Abstract（参考訳）: 本報告では, 癌予後に関する病理組織学における有糸分裂図検出の重要課題に対処するMitotic Domain Generalization (MIDOG) 2025の課題について詳述する。
アルゴリズムのノベルティよりもデータスケールを重視した"Bitter Lesson"\cite{sutton2019bitterlesson"の原則に従い、従来の"Shen2024framework"と非定型的な"mitoses \cite{shen_2025_16780587"のトレーニングデータを強化するための2つの新しいデータセットを公開しました。
また,トラック1F1スコア0.8407,トラック2バランス精度0.9107,トラック1F1スコア0.8407,トラック1F1スコア0。
関連論文リスト
- Challenges and Lessons from MIDOG 2025: A Two-Stage Approach to Domain-Robust Mitotic Figure Detection [9.314972045525133]
本稿では,MIDOG 2025チャレンジへの参加について述べる。
我々は,Faster R-CNNと疑似正の低減のための3つの分類器のアンサンブルを組み合わせた2段パイプラインを開発した。
私たちは、MIDOG++データセットのみでトレーニングされたより高速なR-CNNを使用して、F1スコア0.2237(リコール:0.9528、精度:0.1267)を達成した。
論文 参考訳（メタデータ） (2025-09-01T17:42:05Z) - RF-DETR for Robust Mitotic Figure Detection: A MIDOG 2025 Track 1 Approach [0.0]
本稿では,MIDOG 2025 チャレンジトラック 1 へのアプローチを,多様な組織学的文脈における堅牢な有糸分裂型人物検出に焦点をあてる。
RF-DETR (Roboflow Detection Transformer) を用いて,MIDOG++データセットをトレーニングした。
予備試験では,0.789点,0.839点,精度0.746点のF1値を得た。
論文 参考訳（メタデータ） (2025-08-29T16:04:50Z) - ConvNeXt with Histopathology-Specific Augmentations for Mitotic Figure Classification [1.398256265458105]
ドメインカバレッジを最大化する軽量なConvNeXtアーキテクチャに基づくソリューションを提案する。
予備のリーダーボードでは,上位項目の順に0.8961のバランスの取れた精度を達成した。
論文 参考訳（メタデータ） (2025-08-29T13:18:32Z) - Robust Pan-Cancer Mitotic Figure Detection with YOLOv12 [1.7259725776748482]
Mitosis DOmain Generalization (MIDOG) 2025の課題は、堅牢な有糸分裂検出アルゴリズムの開発である。
本稿では YOLOv12 オブジェクト検出アーキテクチャに基づく mitotic figure 検出手法を提案する。
論文 参考訳（メタデータ） (2025-08-29T08:37:46Z) - Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。
I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文 参考訳（メタデータ） (2023-08-31T05:05:53Z) - 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) - A Meta-GNN approach to personalized seizure detection and classification [53.906130332172324]
本稿では,特定の患者に限られた発作サンプルから迅速に適応できるパーソナライズされた発作検出・分類フレームワークを提案する。
トレーニング患者の集合からグローバルモデルを学ぶメタGNNベースの分類器を訓練する。
本手法は, 未確認患者20回に限って, 精度82.7%, F1スコア82.08%を達成し, ベースラインよりも優れていた。
論文 参考訳（メタデータ） (2022-11-01T14:12:58Z) - Mitosis Detection, Fast and Slow: Robust and Efficient Detection of
Mitotic Figures [3.047950378303433]
そこで本研究では,ミトーシス候補セグメンテーションと候補精錬段階を含む,堅牢で効率的な2段階ミトーシス検出フレームワークを提案する。
EUNetは、候補を低い解像度で正確にセグメント化して、候補検出を大幅に高速化することができる。
本稿では,3つの大規模公用ミトーシスデータセットに対して,提案モデルの性能と一般化性を示す。
論文 参考訳（メタデータ） (2022-08-26T11:14:59Z) - WSSS4LUAD: Grand Challenge on Weakly-supervised Tissue Semantic
Segmentation for Lung Adenocarcinoma [51.50991881342181]
この課題には10,091個のパッチレベルのアノテーションと1300万以上のラベル付きピクセルが含まれる。
第一位チームは0.8413mIoUを達成した(腫瘍:0.8389、ストーマ:0.7931、正常:0.8919)。
論文 参考訳（メタデータ） (2022-04-13T15:27:05Z) - Finding Patient Zero: Learning Contagion Source with Graph Neural
Networks [67.3415507211942]
感染源の特定は、感染の感染経路に関する重要な洞察を与えることができる。
既存の方法はグラフ理論測度と高価なメッセージパッシングアルゴリズムを用いる。
グラフニューラルネットワーク(GNN)を用いてP0を学習し,この問題を再考する。
論文 参考訳（メタデータ） (2020-06-21T21:12:44Z)
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。