論文の概要: RF-DETR for Robust Mitotic Figure Detection: A MIDOG 2025 Track 1 Approach

• arxiv url: http://arxiv.org/abs/2509.02599v1
• Date: Fri, 29 Aug 2025 16:04:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 21:40:46.242676
• Title: RF-DETR for Robust Mitotic Figure Detection: A MIDOG 2025 Track 1 Approach
• Title（参考訳）: MIDOG 2025 Track 1 アプローチによるロバスト・ミトティック・フィギュア検出のためのRF-DETR
• Authors: Piotr Giedziun, Jan Sołtysik, Mateusz Górczany, Norbert Ropiak, Marcin Przymus, Piotr Krajewski, Jarosław Kwiecień, Artur Bartczak, Izabela Wasiak, Mateusz Maniewski,
• Abstract要約: 本稿では,MIDOG 2025 チャレンジトラック 1 へのアプローチを,多様な組織学的文脈における堅牢な有糸分裂型人物検出に焦点をあてる。 RF-DETR (Roboflow Detection Transformer) を用いて,MIDOG++データセットをトレーニングした。 予備試験では,0.789点,0.839点,精度0.746点のF1値を得た。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mitotic figure detection in histopathology images remains challenging due to significant domain shifts across different scanners, staining protocols, and tissue types. This paper presents our approach for the MIDOG 2025 challenge Track 1, focusing on robust mitotic figure detection across diverse histological contexts. While we initially planned a two-stage approach combining high-recall detection with subsequent classification refinement, time constraints led us to focus on optimizing a single-stage detection pipeline. We employed RF-DETR (Roboflow Detection Transformer) with hard negative mining, trained on MIDOG++ dataset. On the preliminary test set, our method achieved an F1 score of 0.789 with a recall of 0.839 and precision of 0.746, demonstrating effective generalization across unseen domains. The proposed solution offers insights into the importance of training data balance and hard negative mining for addressing domain shift challenges in mitotic figure detection.
• Abstract（参考訳）: 病理組織像における組織像の検出は、異なるスキャナー、染色プロトコル、組織タイプにまたがる大きなドメインシフトのため、依然として困難である。 本稿では,MIDOG 2025 チャレンジトラック 1 へのアプローチを,多様な組織学的文脈における堅牢な有糸分裂型人物検出に焦点をあてる。 最初は、ハイリコール検出とその後の分類改善を組み合わせた2段階のアプローチを計画していたが、時間制約が原因で、単一ステージ検出パイプラインの最適化に焦点が当てられた。 RF-DETR (Roboflow Detection Transformer) を用いて,MIDOG++データセットをトレーニングした。 予備試験では,0.789点,0.839点,精度0.746点のF1値を得た。 提案したソリューションは、ミオティックフィギュア検出におけるドメインシフト問題に対処するために、トレーニングデータバランスとハードネガティブマイニングの重要性に関する洞察を提供する。

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)
• Pan-Cancer mitotic figures detection and domain generalization: MIDOG 2025 Challenge [0.0]
  本報告では、Mitotic Domain Generalization (MIDOG) 2025の課題について詳述する。 癌予後の病理組織学における有糸分裂型人物検出の重要課題に対処する。 従来のciteShen2024framework と非定型mitoses citeshen025_16780587 のトレーニングデータを強化するための2つの新しいデータセットをリリースする。
  論文  参考訳（メタデータ） (2025-08-28T16:11:58Z)
• A bag of tricks for real-time Mitotic Figure detection [0.0]
  我々は,RTMDet単段物体検出装置の効率的な構築を行い,臨床展開に適した高推論速度を実現する。 偽陽性を減少させるために, ターゲット型, 硬い負のマイニングを壊死組織, 破片組織に適用した。 Mitosis DOmain Generalization (MIDOG) 2025の予備試験セットでは, RTMDet-Sをベースとした一段法が0.81に到達した。
  論文  参考訳（メタデータ） (2025-08-27T11:45:44Z)
• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
  Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。 CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
  論文  参考訳（メタデータ） (2023-10-01T05:07:17Z)
• 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)
• Mitosis Detection, Fast and Slow: Robust and Efficient Detection of Mitotic Figures [3.047950378303433]
  そこで本研究では,ミトーシス候補セグメンテーションと候補精錬段階を含む,堅牢で効率的な2段階ミトーシス検出フレームワークを提案する。 EUNetは、候補を低い解像度で正確にセグメント化して、候補検出を大幅に高速化することができる。 本稿では,3つの大規模公用ミトーシスデータセットに対して,提案モデルの性能と一般化性を示す。
  論文  参考訳（メタデータ） (2022-08-26T11:14:59Z)
• DDPM-CD: Denoising Diffusion Probabilistic Models as Feature Extractors for Change Detection [31.125812018296127]
  Deno Diffusion Probabilistic Model (DDPM) の事前学習による変化検出のための新しいアプローチを提案する。 DDPMは、訓練画像を徐々にマルコフ連鎖を用いてガウス分布に変換することにより、トレーニングデータ分布を学習する。 推論(サンプリング)中に、トレーニング分布に近い多様なサンプルセットを生成することができる。 LEVIR-CD, WHU-CD, DSIFN-CD, CDDデータセットを用いて行った実験により,提案手法は既存の変化検出法よりもF1スコアで大幅に優れており, I。
  論文  参考訳（メタデータ） (2022-06-23T17:58:29Z)
• Stain-Robust Mitotic Figure Detection for the Mitosis Domain Generalization Challenge [2.072197863131669]
  Mitosis DOmain Generalization (MIDOG)の課題は、複数のスキャナーから見えないデータに対して、検出モデルの堅牢性をテストすることである。 この課題に対処するために,TAAセンターチームが採用したアプローチについて,簡単な概要を述べる。
  論文  参考訳（メタデータ） (2021-09-02T11:44:42Z)

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。

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。