論文の概要: ConvNeXt with Histopathology-Specific Augmentations for Mitotic Figure Classification
- arxiv url: http://arxiv.org/abs/2509.02595v1
- Date: Fri, 29 Aug 2025 13:18:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-04 21:40:46.238785
- Title: ConvNeXt with Histopathology-Specific Augmentations for Mitotic Figure Classification
- Title（参考訳）: ConvNeXtの病理組織学的検討
- Authors: Hana Feki, Alice Blondel, Thomas Walter,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.398256265458105
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate mitotic figure classification is crucial in computational pathology, as mitotic activity informs cancer grading and patient prognosis. Distinguishing atypical mitotic figures (AMFs), which indicate higher tumor aggressiveness, from normal mitotic figures (NMFs) remains challenging due to subtle morphological differences and high intra-class variability. This task is further complicated by domain shifts, including variations in organ, tissue type, and scanner, as well as limited annotations and severe class imbalance. To address these challenges in Track 2 of the MIDOG 2025 Challenge, we propose a solution based on the lightweight ConvNeXt architecture, trained on all available datasets (AMi-Br, AtNorM-Br, AtNorM-MD, and OMG-Octo) to maximize domain coverage. Robustness is enhanced through a histopathology-specific augmentation pipeline, including elastic and stain-specific transformations, and balanced sampling to mitigate class imbalance. A grouped 5-fold cross-validation strategy ensures reliable evaluation. On the preliminary leaderboard, our model achieved a balanced accuracy of 0.8961, ranking among the top entries. These results highlight that broad domain exposure combined with targeted augmentation strategies is key to building accurate and generalizable mitotic figure classifiers.
- Abstract（参考訳）: 正確な有糸分裂図形分類は、有糸分裂活動ががんのグレーディングと患者の予後を知らせるので、計算病理学において重要である。
正常ミトーシス像 (NMFs) から高い腫瘍攻撃性を示す非定型的ミトーシス像 (AMFs) の識別は, 微妙な形態的差異と高いクラス内変動のため, 依然として困難である。
このタスクは、臓器、組織型、スキャナのバリエーション、アノテーションの制限、クラスの不均衡など、ドメインシフトによってさらに複雑になる。
MIDOG 2025 Challengeのトラック2では、利用可能なすべてのデータセット(AMi-Br、AtNorM-Br、AtNorM-MD、OMG-Octo)に基づいて、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。
ロバストネスは、弾性および染色特異的な変換や、クラス不均衡を軽減するためのバランスの取れたサンプリングを含む、病理組織特異的増強パイプラインによって強化される。
グループ化された5倍のクロスバリデーション戦略は、信頼性の高い評価を保証する。
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。
これらの結果から,対象拡大戦略と広い領域露光が組み合わさって,正確で一般化可能なミオティックフィギュア分類器を構築する上で重要であることが示唆された。
関連論文リスト
- Single Domain Generalization in Diabetic Retinopathy: A Neuro-Symbolic Learning Approach [0.5581472054346949]
KG-DGは糖尿病網膜症(DR)分類のための神経象徴的枠組みである。
視覚変換器と専門家誘導のシンボル推論を統合し、目に見えない領域をまたいだ一般化を可能にする。
論文 参考訳（メタデータ） (2025-09-03T01:07:49Z) - 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) - Automated Classification of Normal and Atypical Mitotic Figures Using ConvNeXt V2: MIDOG 2025 Track 2 [0.026042848991788176]
本報告では,正常ミオティックフィギュア (NMF) と非定型ミオティックフィギュア (AMF) のバイナリ分類に着目したMIDOG 2025 Challenge Track 2の解を提案する。
本手法では,中心収穫前処理と5倍のクロスバリデーションアンサンブル戦略を備えたConvNeXt V2ベースモデルを用いる。
この解は、計算効率を保ちながら、ミオティックフィギュア・サブタイプのための現代の畳み込みアーキテクチャの有効性を示す。
論文 参考訳（メタデータ） (2025-08-26T09:11:12Z) - HistoViT: Vision Transformer for Accurate and Scalable Histopathological Cancer Diagnosis [1.5939351525664014]
マルチクラス腫瘍分類のためのトランスフォーマーに基づくディープラーニングフレームワークを提案する。
本手法は従来の畳み込みニューラルネットワークの限界に対処する。
アプローチ分類では, 乳がん, 前立腺癌, 骨癌, 頸部癌が99.32%, 96.92%, 95.28%, 96.94%であった。
論文 参考訳（メタデータ） (2025-08-15T03:10:52Z) - CSASN: A Multitask Attention-Based Framework for Heterogeneous Thyroid Carcinoma Classification in Ultrasound Images [4.577163442985675]
非均一な形態的特徴とデータ不均衡は、超音波画像を用いたまれな甲状腺癌の分類において重要な課題である。
本稿では,マルチタスク学習フレームワークであるChannel-Spatial Attention Synergy Network (CSASN)を提案する。
論文 参考訳（メタデータ） (2025-05-04T18:23:03Z) - Interpretable Graph Kolmogorov-Arnold Networks for Multi-Cancer Classification and Biomarker Identification using Multi-Omics Data [36.92842246372894]
Multi-Omics Graph Kolmogorov-Arnold Network (MOGKAN)は、メッセンジャーRNA、マイクロRNA配列、DNAメチル化サンプルを利用するディープラーニングフレームワークである。
グラフに基づく深層学習とマルチオミクスデータを統合することにより,提案手法は頑健な予測性能と解釈可能性を示す。
論文 参考訳（メタデータ） (2025-03-29T02:14:05Z) - FundusGAN: A Hierarchical Feature-Aware Generative Framework for High-Fidelity Fundus Image Generation [35.46876389599076]
FundusGANは、高忠実度ファンドス画像合成用に特別に設計された新しい階層的特徴認識生成フレームワークである。
我々は、FundusGANが複数のメトリクスにわたって最先端のメソッドを一貫して上回っていることを示す。
論文 参考訳（メタデータ） (2025-03-22T18:08:07Z) - Diffusion Models with Ensembled Structure-Based Anomaly Scoring for Unsupervised Anomaly Detection [35.46541584018842]
非教師なし異常検出(UAD)は、病理分類の有効な代替手段として現れる。
近年のUAD異常スコアリング機能は、強度のみに焦点を合わせ、構造的差異を無視することが多く、セグメンテーション性能を損なう。
構造的類似性(SSIM)は強度と構造的格差の両方を捉え、古典的な$l1$エラーよりも有利である。
論文 参考訳（メタデータ） (2024-03-21T09:50:39Z) - 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) - Multiple Instance Ensembling For Paranasal Anomaly Classification In The
Maxillary Sinus [46.1292414445895]
副鼻腔奇形は幅広い形態学的特徴を持つ。
副鼻腔異常分類への現在のアプローチは、一度に1つの異常を特定することに制約されている。
3次元畳み込みニューラルネットワーク(CNN)を用いて正常上顎骨(MS)とMSをポリープや嚢胞で分類する可能性を検討した。
論文 参考訳（メタデータ） (2023-03-31T09:23:27Z) - HistoPerm: A Permutation-Based View Generation Approach for Improving
Histopathologic Feature Representation Learning [33.1098457952173]
HistoPermは共同埋め込みアーキテクチャを用いた表現学習のためのビュー生成手法である。
HistoPermは、全スライディングのヒストロジー画像から抽出したパッチの増分ビューを置換し、分類性能を向上させる。
以上の結果から,HistoPermは,精度,F1スコア,AUCの点で,パッチレベルとスライドレベルの分類性能を一貫して向上させることがわかった。
論文 参考訳（メタデータ） (2022-09-13T17:35:08Z)
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。