論文の概要: Adaptive Learning Strategies for Mitotic Figure Classification in MIDOG2025 Challenge
- arxiv url: http://arxiv.org/abs/2509.02640v1
- Date: Mon, 01 Sep 2025 22:42:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-04 21:40:46.276274
- Title: Adaptive Learning Strategies for Mitotic Figure Classification in MIDOG2025 Challenge
- Title（参考訳）: MIDOG2025チャレンジにおけるミストティックフィギュア分類のための適応学習戦略
- Authors: Biwen Meng, Xi Long, Jingxin Liu,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 7.3323821474776
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Atypical mitotic figures (AMFs) are clinically relevant indicators of abnormal cell division, yet their reliable detection remains challenging due to morphological ambiguity and scanner variability. In this work, we investigated three variants of adapting the pathology foundation model UNI2-h for the MIDOG2025 Track 2 challenge. Starting from a LoRA-based baseline, we found that visual prompt tuning (VPT) substantially improved generalization, and that further integrating test-time augmentation (TTA) with Vahadane and Macenko stain normalization provided the best robustness. Our final submission achieved a balanced accuracy of 0.8837 and an ROC-AUC of 0.9513 on the preliminary leaderboard, ranking within the top 10 teams. These results demonstrate that prompt-based adaptation combined with stain-normalization TTA offers an effective strategy for atypical mitosis classification under diverse imaging conditions.
- Abstract（参考訳）: 非定型有糸分裂図(AMF)は、異常な細胞分裂の臨床的指標であるが、形態的曖昧さとスキャナーの多様性により、信頼性の高い検出は困難である。
本研究は,MIDOG2025 Track 2の課題に対して,病理基盤モデルUNI2-hを適応させる3つの変種について検討した。
LoRAベースのベースラインから、視覚的プロンプトチューニング(VPT)による一般化が大幅に向上し、VahadaneとMacenkoの染色正規化とTTA(Test-time Augmentation)のさらなる統合により、最高のロバスト性が得られることがわかった。
最終提案では、バランスの取れた精度が0.8837、予備のリーダーボードでROC-AUCが0.9513となり、トップ10にランクインしました。
以上の結果から,ステンノーマライゼーションTTAと併用したプロンプトベース適応は,様々な画像条件下での非典型的ミトーシス分類に有効な戦略であることが示唆された。
関連論文リスト
- Foundation Model-Driven Classification of Atypical Mitotic Figures with Domain-Aware Training Strategies [0.0]
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。
論文 参考訳（メタデータ） (2025-08-29T17:38:33Z) - 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) - Normal and Atypical Mitosis Image Classifier using Efficient Vision Transformer [0.5536078880492113]
EfficientViT-L2を用いたMIDOG 2025チャレンジにおける非定型対正常ミトーシス分類に取り組む。
7種類の癌から13,938個の核を集積したデータセットを用い,非定型的なミトースを15。
このモデルは、0.859、ROC AUC 0.942、生の0.85の精度を達成し、メトリクス間の競争力とバランスの取れた性能を実証した。
論文 参考訳（メタデータ） (2025-08-28T23:45:06Z) - 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) - Mix, Align, Distil: Reliable Cross-Domain Atypical Mitosis Classification [5.484561603970499]
MIDOG 2025 Task 2におけるドメイン・ロバストAMF分類のための簡単なトレーニング・タイム・レシピを提案する。
提案手法の精度は0.8762、感度は0.8873、特異性は0.8651、ROC AUCは0.9499である。
論文 参考訳（メタデータ） (2025-08-28T13:04:55Z) - WSI-LLaVA: A Multimodal Large Language Model for Whole Slide Image [39.06747701238473]
ギガピクセルのWSI理解のためのフレームワークであるWSI-LLaVAを3段階のトレーニングアプローチで紹介する。
実験の結果、WSI-LLaVAはすべての能力範囲で既存のモデルより優れています。
論文 参考訳（メタデータ） (2024-12-03T03:57:24Z) - 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) - Enhancing Diagnostic Reliability of Foundation Model with Uncertainty Estimation in OCT Images [41.002573031087856]
光コヒーレンストモグラフィー(OCT)における11個の網膜状態を検出するために,不確実性推定(FMUE)を用いた基礎モデルを開発した。
FMUEは2つの最先端アルゴリズムであるRETFoundとUIOSよりも96.76%高いF1スコアを獲得し、しきい値戦略を98.44%に改善した。
我々のモデルは、F1スコアが高い2人の眼科医(95.17%対61.93% &71.72%)より優れている。
論文 参考訳（メタデータ） (2024-06-18T03:04:52Z) - Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.76736949127792]
我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。
BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。
上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
論文 参考訳（メタデータ） (2024-05-16T03:23:57Z) - 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) - TransMIL: Transformer based Correlated Multiple Instance Learning for
Whole Slide Image Classication [38.58585442160062]
マルチプル・インスタンス・ラーニング(MIL)は、スライド画像全体(WSI)に基づく病理診断において、弱い教師付き分類を解決する強力なツールである。
我々は、相関MILと呼ばれる新しいフレームワークを提案し、収束の証明を提供した。
我々は3つの異なる計算病理問題に対する様々な実験を行い、最先端の手法と比較してより優れた性能と高速な収束を実現した。
論文 参考訳（メタデータ） (2021-06-02T02:57:54Z)
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。