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

• A Contrastive Variational AutoEncoder for NSCLC Survival Prediction with Missing Modalities [41.8469011437549]
  非小細胞肺癌 (NSCLC) 患者の生存予測は, 個々の予後が異なるため困難である。 最先端モデルは、患者レベルの表現を作成するために利用可能なデータや、欠落したモダリティを推測するために生成モデルを使用する。 本稿では,MCVAE(Multimodal Contrastive Variational AutoEncoder)を提案する。
  論文  参考訳（メタデータ） (2026-02-19T14:29:34Z)
• XtraLight-MedMamba for Classification of Neoplastic Tubular Adenomas [1.9322492427205764]
  XtraLight-MedMambaは、管状腺腫を分類するための超軽量な状態空間ベースのディープラーニングフレームワークである。 低品位尿細管腺腫患者から得られたキュレートデータセットを用いて評価した。 XtraLight-MedMambaの精度は97.18%、F1スコアは0.9767で約32,000のパラメータを使用した。
  論文  参考訳（メタデータ） (2026-02-04T18:07:51Z)
• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• Robust Atypical Mitosis Classification with DenseNet121: Stain-Aware Augmentation and Hybrid Loss for Domain Generalization [16.048949963804123]
  筆者らはMIDOG 2025 (Track 2) 設定における非定型有糸分裂分類に適した DenseNet-121 ベースのフレームワークを提案する。 本手法は, クラス重み付き二元交叉エントロピーと焦点損失を併用したハイブリッド目的を用いて, ステンドアウェア拡張(マッケンコ), 幾何および強度変換, および重み付きサンプリングによる不均衡認識学習を統合する。 AdamWでエンドツーエンドにトレーニングされ、複数の独立したドメインで評価され、スキャナと染色シフトの下で強力な一般化が示され、バランスの取れた精度85.0%、AUROC 0.927、感度89.2%、そして公式テストセットの80.9%が達成された。
  論文  参考訳（メタデータ） (2025-10-26T11:24:55Z)
• REN: Anatomically-Informed Mixture-of-Experts for Interstitial Lung Disease Diagnosis [32.83724094606554]
  医用画像分類に特化した最初の解剖学的インフォームドMOEフレームワークであるRegional Expert Networks (REN)を紹介した。 RENは解剖学の先行技術を利用して7人の専門専門家を訓練し、それぞれ異なる肺葉と両側の肺の組み合わせに特化している。 厳密な患者レベルのクロスバリデーションを通じて、RENは強力な一般化性と臨床解釈可能性を示す。
  論文  参考訳（メタデータ） (2025-10-06T15:35:08Z)
• 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)
• MIDOG 2025 Track 2: A Deep Learning Model for Classification of Atypical and Normal Mitotic Figures under Class and Hardness Imbalances [0.0]
  本稿では,ResNetのバックボーンをベースとした新しいディープラーニング手法を提案する。 我々のアーキテクチャは、ミトティックフィギュア表現型とインスタンスの難易度を同時にモデル化する。
  論文  参考訳（メタデータ） (2025-09-01T15:12:05Z)
• Ensemble of Pathology Foundation Models for MIDOG 2025 Track 2: Atypical Mitosis Classification [0.0]
  病理基盤モデル(PFM)を大規模病理組織学データセットで事前訓練した。 我々はPFMを補完するために、最先端の畳み込みニューラルネットワークアーキテクチャであるConvNeXt V2を組み込んだ。 我々は,相補的な形態的洞察を統合するために複数のPFMをアンサンブルし,予備評価フェーズデータセット上でバランスの取れた精度を実現した。
  論文  参考訳（メタデータ） (2025-08-29T03:24:57Z)
• 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。