論文の概要: Adaptive Learning Strategies for Mitotic Figure Classification in MIDOG2025 Challenge

• arxiv url: http://arxiv.org/abs/2509.02640v2
• Date: Fri, 05 Sep 2025 14:00:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-08 12:28:42.580206
• 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の3つの変種について検討した。 染色正規化技術とVisual Prompt Tuning (VPT) の統合は, 一般化の向上に寄与した。 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。
• 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 for the MIDOG2025 Track 2 challenge: (1) LoRA + UNI2, (2) VPT + UNI2 + Vahadane Normalizer, and (3) VPT + UNI2 + GRL + Stain TTA. We observed that the integration of Visual Prompt Tuning (VPT) with stain normalization techniques contributed to improved generalization. The best robustness was achieved by further incorporating test-time augmentation (TTA) with Vahadane and Macenko stain normalization. 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 suggest that prompt-based adaptation combined with stain-normalization TTA offers a promising 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,1 LoRA + UNI2, (2) VPT + UNI2 + Vahadane normalizer, (3) VPT + UNI2 + GRL + Stain TTAの3変種について検討した。 染色正規化技術とVisual Prompt Tuning (VPT) の統合は, 一般化の向上に寄与した。 また, 試験時間増強(TTA)とバハダン, マッケンコ染色を併用することにより, 最良ロバスト性を実現した。 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,多彩な画像条件下での非定型的なミトーシス分類に有望な戦略をもたらすことが示唆された。

関連論文リスト

• Robust Atypical Mitosis Classification with DenseNet121: Stain-Aware Augmentation and Hybrid Loss for Domain Generalization [16.048949963804123]
  筆者らはMIDOG 2025 (Track 2) 設定における非定型有糸分裂分類に適した DenseNet-121 ベースのフレームワークを提案する。 本手法は, クラス重み付き二元交叉エントロピーと焦点損失を併用したハイブリッド目的を用いて, ステンドアウェア拡張(マッケンコ), 幾何および強度変換, および重み付きサンプリングによる不均衡認識学習を統合する。 AdamWでエンドツーエンドにトレーニングされ、複数の独立したドメインで評価され、スキャナと染色シフトの下で強力な一般化が示され、バランスの取れた精度85.0%、AUROC 0.927、感度89.2%、そして公式テストセットの80.9%が達成された。
  論文  参考訳（メタデータ） (2025-10-26T11:24:55Z)
• AttentiveGRUAE: An Attention-Based GRU Autoencoder for Temporal Clustering and Behavioral Characterization of Depression from Wearable Data [46.262619407930266]
  本稿では,時間的クラスタリングと縦型ウェアラブルデータによる結果の予測を目的とした,新しい注意型ゲートリカレントユニット(GRU)オートエンコーダであるAttentiveGRUAEを提案する。 372名(GLOBEM 2018-2019)の長期睡眠データからAttentiveGRUAEを評価する。 これは、クラスタリングの品質と抑うつの分類の両方において、ベースラインクラスタリング、ドメイン指向の自己教師付きモデル、および改善されたモデルよりも優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-10-02T20:52:16Z)
• Parameter-efficient fine-tuning (PEFT) of Vision Foundation Models for Atypical Mitotic Figure Classification [0.0]
  非定型有糸分裂図(AMF)は腫瘍攻撃性と予後不良を伴う稀な異常な細胞分裂である。 MID 2025OG チャレンジでは非定型有糸分裂分類のための専用トラックが導入された。 Virchow, Virchow2, UNIを含む大規模視覚基盤モデルのパラメータ効率向上のためのローランド適応(LoRA)を用いた検討を行った。
  論文  参考訳（メタデータ） (2025-09-21T05:46:54Z)
• 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)
• Variational Supervised Contrastive Learning [50.79938854370321]
  本稿では,教師付きコントラスト学習を潜在クラス変数に対する変分推論として再構成した変分教師付きコントラスト学習(VarCon)を提案する。 VarConは対照的な学習フレームワークの最先端のパフォーマンスを達成し、ImageNet-1Kでは79.36%、CIFAR-100では78.29%、ResNet-50エンコーダでは78.29%に達した。
  論文  参考訳（メタデータ） (2025-06-09T04:19:12Z)
• 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)
• Hierarchical Semi-Supervised Contrastive Learning for Contamination-Resistant Anomaly Detection [81.07346419422605]
  異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。 コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。 汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-24T18:49:26Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• 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)
• Dual-Consistency Semi-Supervised Learning with Uncertainty Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
  CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。 提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
  論文  参考訳（メタデータ） (2021-04-07T16:23:35Z)

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。