論文の概要: A Single Detect Focused YOLO Framework for Robust Mitotic Figure Detection

• arxiv url: http://arxiv.org/abs/2509.02637v1
• Date: Mon, 01 Sep 2025 20:41:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 21:40:46.272034
• Title: A Single Detect Focused YOLO Framework for Robust Mitotic Figure Detection
• Title（参考訳）: ロバスト・ミトティック・フィギュア検出のための単一検出型YOLOフレームワーク
• Authors: Yasemin Topuz, M. Taha Gökcan, Serdar Yıldız, Songül Varlı,
• Abstract要約: SDF-YOLO(SDF-YOLO)は、ミトティックフィギュアのような小さな、希少なターゲットに対する軽量かつドメインロバストな検出フレームワークである。 モデルはYOLOv11上に構築されており、タスク固有の変更が加えられている。 平均精度は0.799、精度は0.758、リコールは0.775、F1スコアは0.766、FROC-AUCは5.793である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Mitotic figure detection is a crucial task in computational pathology, as mitotic activity serves as a strong prognostic marker for tumor aggressiveness. However, domain variability that arises from differences in scanners, tissue types, and staining protocols poses a major challenge to the robustness of automated detection methods. In this study, we introduce SDF-YOLO (Single Detect Focused YOLO), a lightweight yet domain-robust detection framework designed specifically for small, rare targets such as mitotic figures. The model builds on YOLOv11 with task-specific modifications, including a single detection head aligned with mitotic figure scale, coordinate attention to enhance positional sensitivity, and improved cross-channel feature mixing. Experiments were conducted on three datasets that span human and canine tumors: MIDOG ++, canine cutaneous mast cell tumor (CCMCT), and canine mammary carcinoma (CMC). When submitted to the preliminary test set for the MIDOG2025 challenge, SDF-YOLO achieved an average precision (AP) of 0.799, with a precision of 0.758, a recall of 0.775, an F1 score of 0.766, and an FROC-AUC of 5.793, demonstrating both competitive accuracy and computational efficiency. These results indicate that SDF-YOLO provides a reliable and efficient framework for robust mitotic figure detection across diverse domains.
• Abstract（参考訳）: 有糸分裂活動は腫瘍攻撃性の強力な予後マーカーとして機能するので、有糸分裂型人物検出は計算病理学において重要な課題である。 しかし、スキャナー、組織型、染色プロトコルの違いから生じるドメインの多様性は、自動検出法の堅牢性に大きな課題をもたらす。 本研究では,SDF-YOLO(Single Detect Focused YOLO)について紹介する。 このモデルは YOLOv11 上に構築されており、タスク固有の修正が加えられている。 MIDOG ++, 犬皮膚マスト細胞腫瘍(CCMCT), 犬乳腺癌(CMC)の3つのデータセットを用いて実験を行った。 MIDOG2025チャレンジの予備テストセットに提出されると、SDF-YOLOは平均精度0.799、精度0.758、リコール0.775、F1スコア0.766、FROC-AUC5.793を達成し、競争精度と計算効率の両方を実証した。 これらの結果から,SDF-YOLOは多様な領域にまたがる堅牢な有糸分裂図形検出のための信頼性と効率的なフレームワークを提供することが示された。

関連論文リスト

• Ensemble YOLO Framework for Multi-Domain Mitotic Figure Detection in Histopathology Images [0.7541656202645494]
  YOLOv5とYOLOv8の2つの近代的な1段検出器は、MIDOG++、CMC、CCMCTデータセットで訓練された。 YOLOv5は精度が良く、YOLOv8はリコールを改善した。 以上の結果から,デジタル病理診断におけるアンサンブル法の有用性が示唆された。
  論文  参考訳（メタデータ） (2025-09-03T02:43:02Z)
• 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)
• 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)
• LGE-Guided Cross-Modality Contrastive Learning for Gadolinium-Free Cardiomyopathy Screening in Cine CMR [51.11296719862485]
  CMRを用いたガドリニウムフリー心筋症スクリーニングのためのコントラシブラーニングおよびクロスモーダルアライメントフレームワークを提案する。 CMRとLate Gadolinium Enhancement (LGE) 配列の潜伏空間を整列させることにより, 本モデルでは線維症特異的な病理組織をCMR埋め込みにエンコードする。
  論文  参考訳（メタデータ） (2025-08-23T07:21:23Z)
• 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)
• CRTRE: Causal Rule Generation with Target Trial Emulation Framework [47.2836994469923]
  ターゲットトライアルエミュレーションフレームワーク(CRTRE)を用いた因果ルール生成という新しい手法を提案する。 CRTREは、アソシエーションルールの因果効果を推定するためにランダム化トライアル設計原則を適用している。 次に、病気発症予測などの下流アプリケーションにそのような関連ルールを組み込む。
  論文  参考訳（メタデータ） (2024-11-10T02:40:06Z)
• Multi-centric AI Model for Unruptured Intracranial Aneurysm Detection and Volumetric Segmentation in 3D TOF-MRI [6.397650339311053]
  我々は3DTOF-MRIで未破裂脳動脈瘤(UICA)の検出と分節を併用したオープンソースのnnU-NetベースのAIモデルを開発した。 4つの異なるトレーニングデータセットが作成され、nnU-Netフレームワークがモデル開発に使用された。 一次モデルは85%の感度と0.23FP/ケースレートを示し、ADAM-challengeの勝者(61%)と、ADAMデータでトレーニングされたnnU-Net(51%)を感度で上回った。
  論文  参考訳（メタデータ） (2024-08-30T08:57:04Z)
• OMG-Net: A Deep Learning Framework Deploying Segment Anything to Detect Pan-Cancer Mitotic Figures from Haematoxylin and Eosin-Stained Slides [27.84599956781646]
  本研究では,デジタル化された全スライド画像(WSI)におけるMFを検出する人工知能(AI)アプローチを提案する。 ここでは、社内の軟部組織腫瘍データセット(STMF)と、IPAC、TUPAC、CCMCT、CMC、MIDOG++の5つのオープンソースの有糸分裂データセットを組み合わせることで、最大の有糸分裂像のパン・カンサデータセットを確立する。 次に、2段階のフレームワーク(Optimized Mitoses Generator Network (OMG-Net))を用いてMFを分類した。
  論文  参考訳（メタデータ） (2024-07-17T17:53:37Z)
• AXIAL: Attention-based eXplainability for Interpretable Alzheimer's Localized Diagnosis using 2D CNNs on 3D MRI brain scans [43.06293430764841]
  本研究では,3次元MRIを用いたアルツハイマー病診断の革新的手法を提案する。 提案手法では,2次元CNNがボリューム表現を抽出できるソフトアテンション機構を採用している。 ボクセルレベルの精度では、どの領域に注意が払われているかを同定し、これらの支配的な脳領域を同定する。
  論文  参考訳（メタデータ） (2024-07-02T16:44:00Z)
• Corneal endothelium assessment in specular microscopy images with Fuchs' dystrophy via deep regression of signed distance maps [48.498376125522114]
  本稿では,UNetをベースとしたセグメンテーション手法を提案する。 これは、フックスのジストロフィーの全度にわたって、信頼できるCE形態計測と腸骨同定を実現する。
  論文  参考訳（メタデータ） (2022-10-13T15:34:20Z)

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。