Fugu-MT 論文翻訳(概要): Normal and Atypical Mitosis Image Classifier using Efficient Vision Transformer

論文の概要: Normal and Atypical Mitosis Image Classifier using Efficient Vision Transformer

arxiv url: http://arxiv.org/abs/2509.02589v1
Date: Thu, 28 Aug 2025 23:45:06 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-04 21:40:46.231762
Title: Normal and Atypical Mitosis Image Classifier using Efficient Vision Transformer
Title（参考訳）: 能率的視覚変換器を用いた正常および非定型的ミトコンドリア画像分類法
Authors: Xuan Qi, Dominic Labella, Thomas Sanford, Maxwell Lee,
Abstract要約: EfficientViT-L2を用いたMIDOG 2025チャレンジにおける非定型対正常ミトーシス分類に取り組む。 7種類の癌から13,938個の核を集積したデータセットを用い,非定型的なミトースを15。このモデルは、0.859、ROC AUC 0.942、生の0.85の精度を達成し、メトリクス間の競争力とバランスの取れた性能を実証した。
参考スコア（独自算出の注目度）: 0.5536078880492113
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We tackle atypical versus normal mitosis classification in the MIDOG 2025 challenge using EfficientViT-L2, a hybrid CNN--ViT architecture optimized for accuracy and efficiency. A unified dataset of 13,938 nuclei from seven cancer types (MIDOG++ and AMi-Br) was used, with atypical mitoses comprising ~15. To assess domain generalization, we applied leave-one-cancer-type-out cross-validation with 5-fold ensembles, using stain-deconvolution for image augmentation. For challenge submissions, we trained an ensemble with the same 5-fold split but on all cancer types. In the preliminary evaluation phase, this model achieved balanced accuracy of 0.859, ROC AUC of 0.942, and raw accuracy of 0.85, demonstrating competitive and well-balanced performance across metrics.
Abstract（参考訳）: 精度と効率に最適化されたハイブリッドCNN-ViTアーキテクチャであるEfficientViT-L2を用いてMIDOG 2025チャレンジにおける非定型対正常ミトーシス分類に取り組む。 7種類の癌(MIDOG++とAMi-Br)から13,938個の核の統一データセットを用い、15。領域の一般化を評価するため,画像拡張にステンデコンボリューションを用いた5次元アンサンブルを用いたLeft-one-cancer-out-out-validationを適用した。課題は,同じ5倍のスプリットのアンサンブルを,すべての癌タイプで訓練した。予備評価段階では、このモデルは、0.859、ROC AUC 0.942、生検精度0.85を達成し、メトリクス間での競合性およびバランスの良い性能を示した。

関連論文リスト

Adaptive Learning Strategies for Mitotic Figure Classification in MIDOG2025 Challenge [7.3323821474776]
MIDOG2025 Track 2の課題に対して,病理基盤モデルUNI2-hの3つの変種について検討した。視覚的プロンプトチューニング(VPT)は一般化を大幅に改善し,さらにVahadaneとMacenkoの染色正規化とテスト時間拡張(TTA)を統合した。
論文参考訳（メタデータ） (2025-09-01T22:42:53Z)
Efficient Fine-Tuning of DINOv3 Pretrained on Natural Images for Atypical Mitotic Figure Classification in MIDOG 2025 [1.7259725776748482]
非典型的有糸分裂図(AMF)は予後不良に関連する異常な細胞分裂のマーカーである。 MIDOG 2025チャレンジでは、複数のドメインにわたるAMF分類のベンチマークが導入されている。自然画像に基づくDINOv3-H+視覚変換器の評価を行った。
論文参考訳（メタデータ） (2025-08-28T17:45:22Z)
CRTRE: Causal Rule Generation with Target Trial Emulation Framework [47.2836994469923]
ターゲットトライアルエミュレーションフレームワーク(CRTRE)を用いた因果ルール生成という新しい手法を提案する。 CRTREは、アソシエーションルールの因果効果を推定するためにランダム化トライアル設計原則を適用している。次に、病気発症予測などの下流アプリケーションにそのような関連ルールを組み込む。
論文参考訳（メタデータ） (2024-11-10T02:40:06Z)
Comprehensive Multimodal Deep Learning Survival Prediction Enabled by a Transformer Architecture: A Multicenter Study in Glioblastoma [4.578027879885667]
本研究は,変圧器を用いた深層学習モデルにMR画像,臨床および分子病理学的データを統合することにより,グリオーマの生存率予測を改善することを目的とする。このモデルは、自己教師付き学習技術を用いて、高次元MRI入力を効果的に符号化し、クロスアテンションを用いた非画像データと統合する。
論文参考訳（メタデータ） (2024-05-21T17:44:48Z)
CIMIL-CRC: a clinically-informed multiple instance learning framework for patient-level colorectal cancer molecular subtypes classification from H\&E stained images [42.771819949806655]
CIMIL-CRCは、事前学習した特徴抽出モデルと主成分分析(PCA)を効率よく組み合わせ、全てのパッチから情報を集約することで、MSI/MSS MIL問題を解決するフレームワークである。我々は,TCGA-CRC-DXコホートを用いたモデル開発のための5倍のクロスバリデーション実験装置を用いて,曲線下平均面積(AUC)を用いてCIMIL-CRC法の評価を行った。
論文参考訳（メタデータ） (2024-01-29T12:56:11Z)
Leveraging Complementary Attention maps in vision transformers for OCT image analysis [3.1487473474617125]
OCTスキャンからバイオマーカーを識別するための最新のパイプラインについて概説する。バイオマーカー検出のための異なるコンボリューションとアテンション機構を評価した。 IEEE Video and Image Processing Cup 2023のコンペでは、両モデルの予測をまとめて第一位に立った。
論文参考訳（メタデータ） (2023-10-21T13:27:07Z)
Breast Ultrasound Tumor Classification Using a Hybrid Multitask CNN-Transformer Network [63.845552349914186]
胸部超音波(BUS)画像分類において,グローバルな文脈情報の収集が重要な役割を担っている。ビジョントランスフォーマーは、グローバルなコンテキスト情報をキャプチャする能力が改善されているが、トークン化操作によって局所的なイメージパターンを歪めてしまう可能性がある。本研究では,BUS腫瘍分類とセグメンテーションを行うハイブリッドマルチタスクディープニューラルネットワークであるHybrid-MT-ESTANを提案する。
論文参考訳（メタデータ） (2023-08-04T01:19:32Z)
Attention-based Saliency Maps Improve Interpretability of Pneumothorax Classification [52.77024349608834]
視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。 ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。 ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
論文参考訳（メタデータ） (2023-03-03T12:05:41Z)
Deep learning-based Subtyping of Atypical and Normal Mitoses using a Hierarchical Anchor-Free Object Detector [0.802219018904343]
非定型有糸分裂図形(MF)は、クロマトノイドの分離異常を有するものとして形態学的に同定できる。この研究では、初めて、ミトティックな図形の正規および非典型的なカテゴリへの自動的なサブタイピングを行う。我々は,階層型サブクラス化分岐を用いたアンカーフリーFCOSアプローチを拡張した最先端のオブジェクト検出パイプラインを構築した。
論文参考訳（メタデータ） (2022-12-12T13:57:38Z)
Corneal endothelium assessment in specular microscopy images with Fuchs' dystrophy via deep regression of signed distance maps [48.498376125522114]
本稿では,UNetをベースとしたセグメンテーション手法を提案する。これは、フックスのジストロフィーの全度にわたって、信頼できるCE形態計測と腸骨同定を実現する。
論文参考訳（メタデータ） (2022-10-13T15:34:20Z)
Vision Transformers for femur fracture classification [59.99241204074268]
Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
論文参考訳（メタデータ） (2021-08-07T10:12:42Z)

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。