論文の概要: Challenges and Lessons from MIDOG 2025: A Two-Stage Approach to Domain-Robust Mitotic Figure Detection
- arxiv url: http://arxiv.org/abs/2509.02630v1
- Date: Mon, 01 Sep 2025 17:42:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-04 21:40:46.270983
- Title: Challenges and Lessons from MIDOG 2025: A Two-Stage Approach to Domain-Robust Mitotic Figure Detection
- Title（参考訳）: MIDOG 2025の課題と教訓:ドメイン・ロバスト・ミトティック・フィギュア検出のための2段階的アプローチ
- Authors: Euiseop Song, Jaeyoung Park, Jaewoo Park,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 9.314972045525133
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Mitotic figure detection remains a challenging task in computational pathology due to domain variability and morphological complexity. This paper describes our participation in the MIDOG 2025 challenge, focusing on robust mitotic figure detection across diverse tissue domains. We developed a two-stage pipeline combining Faster R-CNN for candidate detection with an ensemble of three classifiers (DenseNet-121, EfficientNet-v2, InceptionResNet-v2) for false positive reduction. Our best submission achieved F1-score 0.2237 (Recall: 0.9528, Precision: 0.1267) using a Faster R-CNN trained solely on MIDOG++ dataset. While our high recall demonstrates effective mitotic figure detection, the critically low precision (12.67%) reveals fundamental challenges in distinguishing true mitoses from morphologically similar imposters across diverse domains. Analysis of six submission variants showed that subsequent optimization attempts were counterproductive, highlighting the omplexity of domain generalization in histopathology. This work provides valuable insights into the practical challenges of developing robust mitotic figure detection algorithms and emphasizes the importance of effective false positive suppression strategies.
- Abstract（参考訳）: 相似図形検出は、領域の可変性と形態的複雑さのため、計算病理学において依然として困難な課題である。
本報告では,MIDOG 2025チャレンジへの参加について述べる。
そこで我々は,Faster R-CNNとDenseNet-121,EfficientNet-v2,InceptionResNet-v2の3つの分類器のアンサンブルを組み合わせた2段階パイプラインを構築した。
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。
我々の高いリコールは、効果的なミトース像の検出を実証する一方で、臨界的に低い精度(12.67%)は、真のミトースと様々な領域にわたる形態学的に類似したインポスタを区別する根本的な課題を明らかにしている。
6つの変種の解析により、その後の最適化の試みは非生産的であり、病理学における領域一般化の雑多さを強調した。
この研究は、堅牢な有糸分裂型人物検出アルゴリズムを開発するための実践的課題に関する貴重な洞察を与え、効果的な偽陽性抑圧戦略の重要性を強調している。
関連論文リスト
- RF-DETR for Robust Mitotic Figure Detection: A MIDOG 2025 Track 1 Approach [0.0]
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。
論文 参考訳（メタデータ） (2025-08-29T16:04:50Z) - Solutions for Mitotic Figure Detection and Atypical Classification in MIDOG 2025 [9.85180336249631]
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。
論文 参考訳（メタデータ） (2025-08-29T15:16:35Z) - 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) - 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) - 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) - 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) - Implicit Stochastic Gradient Descent for Training Physics-informed
Neural Networks [51.92362217307946]
物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。
PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。
本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
論文 参考訳（メタデータ） (2023-03-03T08:17:47Z) - Real-time landmark detection for precise endoscopic submucosal
dissection via shape-aware relation network [51.44506007844284]
内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。
まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。
次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
論文 参考訳（メタデータ） (2021-11-08T07:57:30Z) - Data-driven generation of plausible tissue geometries for realistic
photoacoustic image synthesis [53.65837038435433]
光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。
我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。
我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
論文 参考訳（メタデータ） (2021-03-29T11:30:18Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
論文 参考訳（メタデータ） (2020-10-14T16:50:50Z)
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。