論文の概要: Is Synthetic Image Augmentation Useful for Imbalanced Classification Problems? Case-Study on the MIDOG2025 Atypical Cell Detection Competition
- arxiv url: http://arxiv.org/abs/2509.02612v1
- Date: Sat, 30 Aug 2025 23:37:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-04 21:40:46.256757
- Title: Is Synthetic Image Augmentation Useful for Imbalanced Classification Problems? Case-Study on the MIDOG2025 Atypical Cell Detection Competition
- Title（参考訳）: 不均衡な分類問題に合成画像は有用か?MIDOG2025非定型細胞検出コンペティションのケーススタディ
- Authors: Leire Benito-Del-Valle, Pedro A. Moreno-Sánchez, Itziar Egusquiza, Itsaso Vitoria, Artzai Picón, Cristina López-Saratxaga, Adrian Galdran,
- Abstract要約: MIDOG 2025チャレンジは、非定型的なミオシス分類に関する新しいトラック2を導入することで、ミオティックフィギュア検出の先行作業を拡張する。
本課題は, 病理組織像の非定型像とを区別することを目的とする。
i) ImageNetで事前訓練したConvNeXt-Smallと,(ii)自己監督で訓練したLunitの病理組織特異的ViTの2つの相補的バックボーンについて検討した。
- 参考スコア（独自算出の注目度）: 2.4582766828986076
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The MIDOG 2025 challenge extends prior work on mitotic figure detection by introducing a new Track 2 on atypical mitosis classification. This task aims to distinguish normal from atypical mitotic figures in histopathology images, a clinically relevant but highly imbalanced and cross-domain problem. We investigated two complementary backbones: (i) ConvNeXt-Small, pretrained on ImageNet, and (ii) a histopathology-specific ViT from Lunit trained via self-supervision. To address the strong prevalence imbalance (9408 normal vs. 1741 atypical), we synthesized additional atypical examples to approximate class balance and compared models trained with real-only vs. real+synthetic data. Using five-fold cross-validation, both backbones reached strong performance (mean AUROC approximately 95 percent), with ConvNeXt achieving slightly higher peaks while Lunit exhibited greater fold-to-fold stability. Synthetic balancing, however, did not lead to consistent improvements. On the organizers' preliminary hidden test set, explicitly designed as an out-of-distribution debug subset, ConvNeXt attained the highest AUROC (95.4 percent), whereas Lunit remained competitive on balanced accuracy. These findings suggest that both ImageNet and domain-pretrained backbones are viable for atypical mitosis classification, with domain-pretraining conferring robustness and ImageNet pretraining reaching higher peaks, while naive synthetic balancing has limited benefit. Full hidden test set results will be reported upon challenge completion.
- Abstract（参考訳）: MIDOG 2025チャレンジは、非定型的なミオシス分類に関する新しいトラック2を導入することで、ミオティックフィギュア検出の先行作業を拡張する。
本課題は,非典型的有糸分裂像と非定型的有糸分裂像とを鑑別することを目的としている。
2つの相補的背骨について検討した。
(i)ImageNetで事前訓練されたConvNeXt-Small
(ii)Lunitの病理組織特異的なViTは自己監督によって訓練された。
強い有病率不均衡(9408正規対1741非定型)に対処するため,クラスバランスを近似する追加の非定型例を合成し,実データと実データ+合成データを用いたモデルの比較を行った。
5倍のクロスバリデーションで両背骨は強い性能(AUROCは約95%)を達成し,ConvNeXtはわずかに高いピークを達成し,Lunitはより高いフォールドツーフォールド安定性を示した。
しかし、合成バランスは一貫した改善には至らなかった。
配布外デバッグサブセットとして明示的に設計されたオーガナイザの予備的なテストセットでは、ConvNeXtはAUROC(95.4%)が最も高く、Lunitはバランスの取れた精度で競争力を維持した。
以上の結果から,ImageNetとドメインプレトレーニングされたバックボーンは非典型的ミオシス分類に有効であり,ドメインプレトレーニングが堅牢であること,ImageNetプレトレーニングがピークに達することが示唆された。
完全な隠れテストセットの結果は、チャレンジ完了時に報告される。
関連論文リスト
- 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) - ConvNeXt with Histopathology-Specific Augmentations for Mitotic Figure Classification [1.398256265458105]
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。
論文 参考訳（メタデータ） (2025-08-29T13:18:32Z) - Efficient Fine-Tuning of DINOv3 Pretrained on Natural Images for Atypical Mitotic Figure Classification in MIDOG 2025 [1.7259725776748482]
非典型的有糸分裂図(AMF)は予後不良に関連する異常な細胞分裂のマーカーである。
MIDOG 2025チャレンジでは、複数のドメインにわたるAMF分類のベンチマークが導入されている。
自然画像に基づくDINOv3-H+視覚変換器の評価を行った。
論文 参考訳（メタデータ） (2025-08-28T17:45:22Z) - CytoDiff: AI-Driven Cytomorphology Image Synthesis for Medical Diagnostics [0.9350583142732543]
我々は,LoRA重みを微調整した安定拡散モデルであるCytoDiffを紹介した。
小さな非バランスな実データセットを使用することで、クラス毎に5,000の合成画像が追加され、ResNet分類器の精度は27%から78%(+51%)に向上した。
同様に、CLIPに基づく分類精度は62%から77%(+15%)に向上した。
論文 参考訳（メタデータ） (2025-07-07T14:49:05Z) - Multi-Level Collaboration in Model Merging [56.31088116526825]
本稿では,モデルマージとモデルアンサンブルの本質的な関係について考察する。
これまでの制限が満たされていない場合でも、モデルのマージによって、アンサンブルと同じような、ほぼ同一かつ優れたパフォーマンスを達成する方法がまだ存在することが分かっています。
論文 参考訳（メタデータ） (2025-03-03T07:45:04Z) - Merging synthetic and real embryo data for advanced AI predictions [69.07284335967019]
我々は、作成した2つのデータセットを用いて、2つの生成モデルをトレーニングし、既存の1つのデータセットを使用して、様々な細胞レベルで合成胚画像を生成する。
これらは実画像と組み合わせて、胚細胞ステージ予測のための分類モデルを訓練した。
その結果,実データと合成画像を組み合わせることで分類性能が向上し,実データのみをトレーニングした場合の94.5%に比べて97%の精度が得られた。
論文 参考訳（メタデータ） (2024-12-02T08:24:49Z) - Forgery-aware Adaptive Transformer for Generalizable Synthetic Image
Detection [106.39544368711427]
本研究では,様々な生成手法から偽画像を検出することを目的とした,一般化可能な合成画像検出の課題について検討する。
本稿では,FatFormerという新しいフォージェリー適応トランスフォーマー手法を提案する。
提案手法は, 平均98%の精度でGANを観測し, 95%の精度で拡散モデルを解析した。
論文 参考訳（メタデータ） (2023-12-27T17:36:32Z) - Rethinking Semi-Supervised Medical Image Segmentation: A
Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。
まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。
5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文 参考訳（メタデータ） (2023-02-03T13:50:25Z) - Fine-Grained Hard Negative Mining: Generalizing Mitosis Detection with a
Fifth of the MIDOG 2022 Dataset [1.2183405753834562]
ミトーシス領域一般化チャレンジ2022(MIDOG)の深層学習ソリューションについて述べる。
我々のアプローチは、アグレッシブデータ拡張を用いた回転不変深層学習モデルの訓練である。
我々のモデルアンサンブルは、自動評価後の最終テストセットで.697のF1スコアを達成した。
論文 参考訳（メタデータ） (2023-01-03T13:06:44Z) - Vision Transformers for femur fracture classification [59.99241204074268]
Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。
史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
論文 参考訳（メタデータ） (2021-08-07T10:12:42Z)
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。