Fugu-MT 論文翻訳(概要): Foundation Model-Driven Classification of Atypical Mitotic Figures with Domain-Aware Training Strategies

論文の概要: Foundation Model-Driven Classification of Atypical Mitotic Figures with Domain-Aware Training Strategies

arxiv url: http://arxiv.org/abs/2509.02601v1
Date: Fri, 29 Aug 2025 17:38:33 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-04 21:40:46.245594
Title: Foundation Model-Driven Classification of Atypical Mitotic Figures with Domain-Aware Training Strategies
Title（参考訳）: ドメイン・アウェア・トレーニング・ストラテジーを用いた非定型的相似図形の基礎モデル駆動分類
Authors: Piotr Giedziun, Jan Sołtysik, Mateusz Górczany, Norbert Ropiak, Marcin Przymus, Piotr Krajewski, Jarosław Kwiecień, Artur Bartczak, Izabela Wasiak, Mateusz Maniewski,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present a solution for the MIDOG 2025 Challenge Track~2, addressing binary classification of normal mitotic figures (NMFs) versus atypical mitotic figures (AMFs). The approach leverages pathology-specific foundation model H-optimus-0, selected based on recent cross-domain generalization benchmarks and our empirical testing, with Low-Rank Adaptation (LoRA) fine-tuning and MixUp augmentation. Implementation includes soft labels based on multi-expert consensus, hard negative mining, and adaptive focal loss, metric learning and domain adaptation. The method demonstrates both the promise and challenges of applying foundation models to this complex classification task, achieving reasonable performance in the preliminary evaluation phase.
Abstract（参考訳）: そこで本研究では,MIDOG 2025 Challenge Track~2の解として,NMFと非定型ミオティックフィギュア(AMF)のバイナリ分類を提案する。提案手法は,近年のクロスドメイン一般化ベンチマークと実証テストに基づいて選択された病理モデルH-optimus-0を利用して,ローランド適応(LoRA)ファインチューニングとMixUpの拡張を行った。実装には、マルチエキスパートコンセンサス、ハードネガティブマイニング、適応焦点損失、メートル法学習、ドメイン適応に基づくソフトラベルが含まれる。本手法は, この複雑な分類課題に基礎モデルを適用することの約束と課題を両立させ, 予備評価段階において合理的な性能を達成する。

関連論文リスト

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。訓練中は、ImageNetターゲット画像を用いたミトースとフーリエ領域適応を強調するために魚眼変換を用いる。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高い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)
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)
MOC: Meta-Optimized Classifier for Few-Shot Whole Slide Image Classification [8.74505335529696]
メタ言語基盤モデル(VLFM)は、ゼロショット適応による全スライド画像(WSI)分類において、データの不足に対処する上で有望であることを示す。これらの手法は、大規模なデータセットで訓練された従来のマルチインスタンス学習(MIL)アプローチよりも優れています。既存の少数ショット法では、限定アノテーションによる診断精度が向上しているが、従来の分類器の設計に依存しているため、データの不足に重大な脆弱性が生じる。
論文参考訳（メタデータ） (2025-08-13T17:32:42Z)
CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection [54.85000884785013]
異常検出は、異常の定義の曖昧さ、異常型の多様性、トレーニングデータの不足による複雑な問題である。識別的基盤モデルと生成的基礎モデルの両方を活用するCLIPfusionを提案する。本手法は, 異常検出の多面的課題に対処する上で, マルチモーダル・マルチモデル融合の有効性を裏付けるものである。
論文参考訳（メタデータ） (2025-06-13T13:30:15Z)
Model Inversion Attacks Through Target-Specific Conditional Diffusion Models [54.69008212790426]
モデル反転攻撃(MIA)は、ターゲット分類器のトレーニングセットからプライベートイメージを再構築することを目的としており、それによってAIアプリケーションにおけるプライバシー上の懸念が高まる。従来のGANベースのMIAは、GANの固有の欠陥と潜伏空間における最適化の偏りにより、劣った遺伝子的忠実度に悩まされる傾向にある。これらの問題を緩和するために拡散モデル反転(Diff-MI)攻撃を提案する。
論文参考訳（メタデータ） (2024-07-16T06:38:49Z)
Balanced Classification: A Unified Framework for Long-Tailed Object Detection [74.94216414011326]
従来の検出器は、分類バイアスによる長期データを扱う際の性能劣化に悩まされる。本稿では,カテゴリ分布の格差に起因する不平等の適応的是正を可能にする,BAlanced CLassification (BACL) と呼ばれる統一フレームワークを提案する。 BACLは、さまざまなバックボーンとアーキテクチャを持つさまざまなデータセット間で、一貫してパフォーマンス改善を実現している。
論文参考訳（メタデータ） (2023-08-04T09:11:07Z)
Stacking Ensemble Learning in Deep Domain Adaptation for Ophthalmic Image Classification [61.656149405657246]
ドメイン適応は、十分なラベルデータを取得することが困難な画像分類タスクに有効である。本稿では,3つのドメイン適応手法を拡張することで,アンサンブル学習を積み重ねるための新しい手法SELDAを提案する。 Age-Related Eye Disease Study (AREDS)ベンチマーク眼科データセットを用いた実験結果から,提案モデルの有効性が示された。
論文参考訳（メタデータ） (2022-09-27T14:19:00Z)
Revisiting LSTM Networks for Semi-Supervised Text Classification via Mixed Objective Function [106.69643619725652]
我々は,単純なBiLSTMモデルであっても,クロスエントロピー損失でトレーニングした場合に,競争的な結果が得られるようなトレーニング戦略を開発する。いくつかのベンチマークデータセット上で,テキスト分類タスクの最先端結果について報告する。
論文参考訳（メタデータ） (2020-09-08T21:55:22Z)

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。