論文の概要: MitoDetect++: A Domain-Robust Pipeline for Mitosis Detection and Atypical Subtyping

• arxiv url: http://arxiv.org/abs/2509.02586v2
• Date: Thu, 04 Sep 2025 22:27:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-08 14:27:25.283415
• Title: MitoDetect++: A Domain-Robust Pipeline for Mitosis Detection and Atypical Subtyping
• Title（参考訳）: MitoDetect++: ミトコンドリア検出と非定型サブタイプのためのドメイン・ロバストパイプライン
• Authors: Esha Sadia Nasir, Jiaqi Lv, Mostafa Jahanifar, Shan E Ahmed Raza,
• Abstract要約: MitoDetect++はMIDOG 2025チャレンジ用に設計された統合ディープラーニングパイプラインである。 検出には、EfficientNetV2-LをバックボーンとするU-Netベースのエンコーダデコーダアーキテクチャを用いる。 分類には、Lo-Rank Adaptation (LoRA) を用いて効率よく微調整されたVirchow2視覚変換器を用いて、資源消費を最小限に抑える。
• 参考スコア（独自算出の注目度）: 6.267650544824679
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automated detection and classification of mitotic figures especially distinguishing atypical from normal remain critical challenges in computational pathology. We present MitoDetect++, a unified deep learning pipeline designed for the MIDOG 2025 challenge, addressing both mitosis detection and atypical mitosis classification. For detection (Track 1), we employ a U-Net-based encoder-decoder architecture with EfficientNetV2-L as the backbone, enhanced with attention modules, and trained via combined segmentation losses. For classification (Track 2), we leverage the Virchow2 vision transformer, fine-tuned efficiently using Low-Rank Adaptation (LoRA) to minimize resource consumption. To improve generalization and mitigate domain shifts, we integrate strong augmentations, focal loss, and group-aware stratified 5-fold cross-validation. At inference, we deploy test-time augmentation (TTA) to boost robustness. Our method achieves a balanced accuracy of 0.892 across validation domains, highlighting its clinical applicability and scalability across tasks.
• Abstract（参考訳）: 非典型と正常を区別する有糸分裂図形の自動検出と分類は、計算病理学において重要な課題である。 MitoDetect++はMIDOG 2025チャレンジ用に設計された統合ディープラーニングパイプラインであり、ミトーシス検出と非定型ミトーシス分類の両方に対処する。 検出には,EfficientNetV2-LをバックボーンとするU-Netベースのエンコーダデコーダアーキテクチャを使用し,アテンションモジュールで強化し,セグメンテーション損失を併用して訓練する。 分類(トラック2)では、資源消費を最小限に抑えるために、ローランド適応(LoRA)を用いて効率的に微調整されたVirchow2視覚変換器を利用する。 一般化とドメインシフトの緩和のために,強い拡張,焦点損失,グループ認識5倍の層状分岐を統合した。 推論では、堅牢性を高めるためにテスト時間拡張(TTA)をデプロイします。 本手法は検証領域間で0.892の平衡精度を実現し,タスク間の臨床応用性と拡張性を強調した。

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)
• MIDOG 2025: Mitotic Figure Detection with Attention-Guided False Positive Correction [0.0]
  既存のFCOS(Fully Convolutional One-Stage Object Detector)を拡張した新しいアプローチを提案する。 本モデルでは,正常値と異常値の分類のためのフィードバックアテンションラダーCNN (FAL-CNN) モデルを提案する。 本ネットワークは、FCOSオブジェクト検出器の偽陽性率を低減し、オブジェクト検出の精度を向上し、ネットワークの汎用性を高めることを目的としている。
  論文  参考訳（メタデータ） (2025-08-29T15:55:22Z)
• Learning from Heterogeneous Structural MRI via Collaborative Domain Adaptation for Late-Life Depression Assessment [24.340328016766183]
  T1強調MRIを用いたLDD検出のための協調的ドメイン適応フレームワークを提案する。 このフレームワークは、ラベル付きソースデータに対する教師付きトレーニング、自己教師付きターゲット特徴適応、ラベルなしターゲットデータに対する協調トレーニングの3段階で構成されている。 マルチサイトT1強調MRIデータを用いて行った実験により、このフレームワークは最先端の非教師なし領域適応法より一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-07-30T01:38:32Z)
• WMKA-Net: A Weighted Multi-Kernel Attention Network for Retinal Vessel Segmentation [0.5517687164518718]
  本研究では,マルチスケール機能融合の不十分,文脈連続性の破壊,ノイズ干渉といった問題に対処する二段階解を提案する。 第1段では、階層的な適応的畳み込みを使用して、キャピラリーからメイン船へのクロススケール機能を動的にマージするマルチスケール核融合モジュール(Multi-Scale Fusion Module, RMS)を採用している。 第2段階では、軸方向の経路を通じて長距離血管の連続性をモデル化する血管指向性注意機構が導入された。
  論文  参考訳（メタデータ） (2025-04-21T06:32:25Z)
• 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)
• U2AD: Uncertainty-based Unsupervised Anomaly Detection Framework for Detecting T2 Hyperintensity in MRI Spinal Cord [7.811634659561162]
  脊髄MR画像におけるT2過強度は、変性頚髄症などの病態において重要なバイオマーカーである。 深層学習法は病変検出の可能性を示してきたが、ほとんどの教師付きアプローチは大きな注釈付きデータセットに大きく依存している。 本稿では,これらの制約に対処するため,不確実性に基づくunsupervised Anomaly DetectionフレームワークであるU2ADを提案する。
  論文  参考訳（メタデータ） (2025-03-17T17:33:32Z)
• 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)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)

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。