論文の概要: Team Westwood Solution for MIDOG 2025 Challenge

• arxiv url: http://arxiv.org/abs/2509.02600v1
• Date: Fri, 29 Aug 2025 17:07:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 21:40:46.24369
• Title: Team Westwood Solution for MIDOG 2025 Challenge
• Title（参考訳）: MIDOG 2025チャレンジのためのチームウェストウッドソリューション
• Authors: Tengyou Xu, Haochen Yang, Xiang 'Anthony' Chen, Hongyan Gu, Mohammad Haeri,
• Abstract要約: 2025年のMitosis DOmain Generalization(MIDOG)におけるミトーシス検出と非定型ミトーシス分類の解法を提案する。 F1スコア0.7450をトラック1ミトーシス検出に,バランス精度0.8722をトラック2非定型ミトーシス分類に達成した。
• 参考スコア（独自算出の注目度）: 16.201477566423826
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This abstract presents our solution (Team Westwood) for mitosis detection and atypical mitosis classification in the MItosis DOmain Generalization (MIDOG) 2025 challenge. For mitosis detection, we trained an nnUNetV2 for initial mitosis candidate screening with high sensitivity, followed by a random forest classifier ensembling predictions of three convolutional neural networks (CNNs): EfficientNet-b3, EfficientNet-b5, and EfficientNetV2-s. For the atypical mitosis classification, we trained another random forest classifier ensembling the predictions of three CNNs: EfficientNet-b3, EfficientNet-b5, and InceptionV3. On the preliminary test set, our solution achieved an F1 score of 0.7450 for track 1 mitosis detection, and a balanced accuracy of 0.8722 for track 2 atypical mitosis classification.
• Abstract（参考訳）: 本総説では,Mitosis DOmain Generalization (MIDOG) 2025におけるミトーシス検出および非定型ミトーシス分類のためのソリューション (Team Westwood) について述べる。 有糸分裂検出のために,我々は高い感度で初期有糸分裂候補スクリーニングのためのnnUNetV2を訓練し,続いて3つの畳み込みニューラルネットワーク(CNN)のランダムな森林分類器(EfficientNet-b3,EfficientNet-b5,EfficientNetV2-s)の予測を行った。 非定型有糸分裂分類では,3つのCNN(EfficientNet-b3,EfficientNet-b5,InceptionV3)の予測を組み込んだ別のランダム森林分類器を訓練した。 予備試験では, トラック1ミトーシス検出のためのF1スコア0.7450, トラック2非定型ミトーシス分類のためのバランス精度0.8722を得た。

関連論文リスト

• MIDOG 2025: Mitotic Figure Detection with Attention-Guided False Positive Correction [0.0]
  既存のFCOS(Fully Convolutional One-Stage Object Detector)を拡張した新しいアプローチを提案する。 本モデルでは,正常値と異常値の分類のためのフィードバックアテンションラダーCNN (FAL-CNN) モデルを提案する。 本ネットワークは、FCOSオブジェクト検出器の偽陽性率を低減し、オブジェクト検出の精度を向上し、ネットワークの汎用性を高めることを目的としている。
  論文  参考訳（メタデータ） (2025-08-29T15:55:22Z)
• MitoDetect++: A Domain-Robust Pipeline for Mitosis Detection and Atypical Subtyping [5.8892536770897665]
  MitoDetect++はMIDOG 2025チャレンジ用に設計された統合ディープラーニングパイプラインである。 検出には、EfficientNetV2-LをバックボーンとするU-Netベースのエンコーダデコーダアーキテクチャを用いる。 分類には、Lo-Rank Adaptation (LoRA) を用いて効率よく微調整されたVirchow2視覚変換器を用いて、資源消費を最小限に抑える。
  論文  参考訳（メタデータ） (2025-08-28T18:19:51Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Severity classification of ground-glass opacity via 2-D convolutional neural network and lung CT scans: a 3-day exploration [0.0]
  グラウンドグラスの不透明度は、COVID-19や肺炎、肺線維症、結核など、多くの肺疾患の指標である。 本稿では,3日間にわたって実施,テストされた概念実証フレームワークについて,第3の課題である「COVID-19コンペティション」による実験的結果を示す。 課題の要件の一部として、このエクササイズ中に生成されたソースコードはhttps://github.com/lisatwyw/cov19.comに投稿されている。
  論文  参考訳（メタデータ） (2023-03-23T22:35:37Z)
• Detecting Mitoses with a Convolutional Neural Network for MIDOG 2022 Challenge [4.593314647169437]
  本研究は,1つのバニラ畳み込みニューラルネットワーク(CNN)を用いた有糸分裂検出法を提案する。 提案手法は,画像が与えられた場合,まず,ミトースを含むパッチを抽出するスライディングウインドウ手法を用いてCNNを適用し,抽出したパッチのクラスアクティベーションマップを算出し,ミトーシスの正確な位置を求める。 モデルの一般化性を高めるため、一連のデータ拡張手法、ノイズラベル付き画像に対処する損失、アクティブな学習戦略を用いてCNNを訓練する。
  論文  参考訳（メタデータ） (2022-08-26T04:59:43Z)
• High performing ensemble of convolutional neural networks for insect pest image detection [124.23179560022761]
  害虫の寄生は作物の被害の主な原因であり、世界中の収入を失った。 我々は異なるトポロジに基づいてCNNのアンサンブルを生成する。 ディープネットワーク最適化のための2つの新しいAdamアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-08-28T00:49:11Z)
• Anomaly Detection in Cybersecurity: Unsupervised, Graph-Based and Supervised Learning Methods in Adversarial Environments [63.942632088208505]
  現在の運用環境に固有ののは、敵対的機械学習の実践である。 本研究では,教師なし学習とグラフに基づく異常検出の可能性を検討する。 我々は,教師付きモデルの訓練時に,現実的な対人訓練機構を組み込んで,対人環境における強力な分類性能を実現する。
  論文  参考訳（メタデータ） (2021-05-14T10:05:10Z)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)

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。