論文の概要: Solutions for Mitotic Figure Detection and Atypical Classification in MIDOG 2025
- arxiv url: http://arxiv.org/abs/2509.02597v1
- Date: Fri, 29 Aug 2025 15:16:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-04 21:40:46.240254
- Title: Solutions for Mitotic Figure Detection and Atypical Classification in MIDOG 2025
- Title（参考訳）: MIDOG 2025における異種図形検出と非定型分類の解法
- Authors: Shuting Xu, Runtong Liu, Zhixuan Chen, Junlin Hou, Hao Chen,
- Abstract要約: 我々は,2つの異なるタスクからなるMitosis Domain Generalization (MIDOG) 2025 Challengeを提案する。
有糸分裂図形検出タスクにおいて、まず候補有糸分裂図形をローカライズする2段階検出分類フレームワークを提案する。
非定型的なミオシス分類タスクには、複数の最先端ディープラーニングアーキテクチャからの予測を統合するアンサンブル戦略を用いる。
- 参考スコア（独自算出の注目度）: 9.85180336249631
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning has driven significant advances in mitotic figure analysis within computational pathology. In this paper, we present our approach to the Mitosis Domain Generalization (MIDOG) 2025 Challenge, which consists of two distinct tasks, i.e., mitotic figure detection and atypical mitosis classification. For the mitotic figure detection task, we propose a two-stage detection-classification framework that first localizes candidate mitotic figures and subsequently refines the predictions using a dedicated classification module. For the atypical mitosis classification task, we employ an ensemble strategy that integrates predictions from multiple state-of-the-art deep learning architectures to improve robustness and accuracy. Extensive experiments demonstrate the effectiveness of our proposed methods across both tasks.
- Abstract（参考訳）: 深層学習は、計算病理学における有糸分裂図形解析に大きな進歩をもたらした。
本稿では,ミトーシス領域一般化(MIDOG)2025チャレンジへのアプローチとして,ミトーシス図形検出と非定型ミトーシス分類という2つの異なる課題について述べる。
そこで本研究では,ミトティック・フィギュア検出タスクにおいて,まず候補ミトティック・フィギュアをローカライズし,その後,専用分類モジュールを用いて予測を洗練する2段階検出分類フレームワークを提案する。
非定型的なミオシス分類タスクでは、複数の最先端ディープラーニングアーキテクチャからの予測を統合するアンサンブル戦略を用いて、堅牢性と精度を向上させる。
両課題にまたがって提案手法の有効性を実証した。
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) - Foundation Model-Driven Classification of Atypical Mitotic Figures with Domain-Aware Training Strategies [0.0]
MIDOG 2025 Challenge Track2の解として、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)のバイナリ分類について述べる。
論文 参考訳（メタデータ） (2025-08-29T17:38:33Z) - A multi-task neural network for atypical mitosis recognition under domain shift [3.2490463485798338]
この問題に対処するために,マルチタスク学習に基づくアプローチを提案する。
主分類課題と相関する補助的タスクを活用することにより,本提案手法は,対象物のみに焦点を絞って分類を行うことを目的としている。
提案手法は,3つの異なるデータセットを用いた予備評価において有望な性能を示す。
論文 参考訳（メタデータ） (2025-08-28T17:39:30Z) - 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) - Anomaly Detection by Adapting a pre-trained Vision Language Model [48.225404732089515]
トレーニング済みのCLIPモデルに適応することで,異常検出のためのCLIP-ADAという統合フレームワークを提案する。
学習可能なプロンプトを導入し、自己教師付き学習を通して異常パターンに関連付けることを提案する。
MVTec-AD と VisA の異常検出と局所化のための最新技術 97.5/55.6 と 89.3/33.1 を実現した。
論文 参考訳（メタデータ） (2024-03-14T15:35:07Z) - Skeleton2vec: A Self-supervised Learning Framework with Contextualized
Target Representations for Skeleton Sequence [56.092059713922744]
予測対象として高レベルな文脈化機能を使用することで,優れた性能が得られることを示す。
具体的には、シンプルで効率的な3D行動表現学習フレームワークであるSkeleton2vecを提案する。
提案するSkeleton2vecは,従来の手法より優れ,最先端の結果が得られる。
論文 参考訳（メタデータ） (2024-01-01T12:08:35Z) - A kinetic approach to consensus-based segmentation of biomedical images [39.58317527488534]
バイオメディカルセグメンテーション問題に有界信頼度コンセンサスモデルの運動バージョンを適用した。
システムの長時間の挙動は、代理のフォッカー・プランク法(英語版)の助けを借りて計算される。
2次元グレースケール画像の関連集合に対して導入されたセグメンテーション距離を最小化する。
論文 参考訳（メタデータ） (2022-11-08T09:54:34Z) - Learning Discriminative Representation via Metric Learning for
Imbalanced Medical Image Classification [52.94051907952536]
本稿では,特徴抽出器がより識別的な特徴表現を抽出するのを助けるために,2段階フレームワークの第1段階にメトリック学習を組み込むことを提案する。
主に3つの医用画像データセットを用いて実験したところ、提案手法は既存の1段階と2段階のアプローチより一貫して優れていた。
論文 参考訳（メタデータ） (2022-07-14T14:57:01Z) - Distribution Alignment: A Unified Framework for Long-tail Visual
Recognition [52.36728157779307]
長尾視覚認識のための分散アライメント戦略を提案する。
次に,二段階学習における一般化された再重み付け法を導入して,事前のクラスバランスをとる。
提案手法は, 4つの認識タスクすべてにおいて, 単純で統一されたフレームワークを用いて最先端の結果を得る。
論文 参考訳（メタデータ） (2021-03-30T14:09:53Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳（メタデータ） (2021-01-27T19:28:04Z)
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。