論文の概要: Ensemble YOLO Framework for Multi-Domain Mitotic Figure Detection in Histopathology Images

• arxiv url: http://arxiv.org/abs/2509.02957v2
• Date: Sat, 20 Sep 2025 08:43:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:15.676311
• Title: Ensemble YOLO Framework for Multi-Domain Mitotic Figure Detection in Histopathology Images
• Title（参考訳）: 病理組織像におけるマルチドメイン・ミトティック・フィギュア検出のためのYOLOフレームワーク
• Authors: Navya Sri Kelam, Akash Parekh, Saikiran Bonthu, Nitin Singhal,
• Abstract要約: 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は高い精度(84.3%)を達成し、YOLOv8は改善されたリコール(82.6%)を提供した。 我々のアンサンブルは、F1スコア79.2%、精度73.6%、リコール85.8%で5位にランクされ、提案された戦略が未確認のテストデータに対して効果的に一般化されていることを確認した。
• 参考スコア（独自算出の注目度）: 0.7541656202645494
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The reliable identification of mitotic figures in whole-slide histopathological images remains difficult, owing to their low prevalence, substantial morphological heterogeneity, and the inconsistencies introduced by tissue processing and staining procedures. The MIDOG competition series provides standardized benchmarks for evaluating detection approaches across diverse domains, thus motivating the development of generalizable deep learning models. In this work, we investigate the performance of two modern one-stage detectors, YOLOv5 and YOLOv8, trained on MIDOG++, CMC, and CCMCT datasets. To enhance robustness, training incorporated stain-invariant color perturbations and texture-preserving augmentations. Ininternal validation, YOLOv5 achieved higher precision (84.3%), while YOLOv8 offered improved recall (82.6%), reflecting architectural trade-offs between anchor-based and anchor-free detections. To capitalize on their complementary strengths, weemployed an ensemble of the two models, which improved sensitivity (85.3%) while maintaining competitive precision, yielding the best F1 score of 83.1%. On the preliminary MIDOG 2025 test leaderboard, our ensemble ranked 5th with an F1 score of 79.2%, precision of 73.6%, and recall of 85.8%, confirming that the proposed strategy generalizes effectively across unseen test data. These findings highlight the effectiveness of combining anchor-based and anchor-free object detectors to advance automated mitosis detection in digital pathology.
• Abstract（参考訳）: また, 組織処理や染色処理によって生じる有意な形態的異質性, 不整合性などにより, 全スライディング組織像における有糸分裂像の信頼性の確認は困難である。 MIDOGコンペティションシリーズは、様々な領域にわたる検出アプローチを評価するための標準化されたベンチマークを提供し、一般化可能なディープラーニングモデルの開発を動機付けている。 そこで本研究では,MIDOG++,CMC,CCMCTデータセットをトレーニングした2つの現代的な1段検出器,YOLOv5とYOLOv8の性能について検討する。 強靭性を高めるため、染色不変色摂動とテクスチャ保存強化を取り入れたトレーニングを行った。 内部検証では、YOLOv5は高い精度(84.3%)を達成し、YOLOv8は改善されたリコール(82.6%)を提供し、アンカーベースとアンカーフリーの検知の間でアーキテクチャ上のトレードオフを反映した。 2つのモデルのアンサンブルは競争精度を維持しながら感度(85.3%)を向上し、最高のF1スコアは83.1%となった。 予備的なMIDOG 2025テストリーダーボードでは、我々のアンサンブルがF1スコア79.2%、精度73.6%、リコール85.8%で5位にランクされ、提案された戦略が未確認のテストデータ全体にわたって効果的に一般化されていることを確認した。 これらの結果は、アンカーベースとアンカーフリーのオブジェクト検出器を組み合わせることで、デジタル病理における自動ミトーシス検出の促進効果を浮き彫りにした。

関連論文リスト

• 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)
• YOLO-RS: Remote Sensing Enhanced Crop Detection Methods [0.32985979395737786]
  既存のターゲット検出手法は、リモートセンシング画像において、小さなターゲットを扱う際の性能が劣っている。 YOLO-RSは、小さなターゲットの検出を大幅に強化した最新のYolov11に基づいている。 リモートセンシング画像における小目標検出作業におけるYOLO-RSの有効性と適用可能性を検証する実験を行った。
  論文  参考訳（メタデータ） (2025-04-15T13:13:22Z)
• Enhancing Reconstruction-Based Out-of-Distribution Detection in Brain MRI with Model and Metric Ensembles [2.6123133623254193]
  アウト・オブ・ディストリビューション(OOD)検出は、自動化された医用画像分析システムを安全に展開するために重要である。 脳MRIにおける人工臓器の教師なし検出における再構成に基づくオートエンコーダの有効性について検討した。
  論文  参考訳（メタデータ） (2024-12-23T13:58:52Z)
• Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
  顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。 本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。 本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
  論文  参考訳（メタデータ） (2024-11-28T13:04:45Z)
• PMT: Progressive Mean Teacher via Exploring Temporal Consistency for Semi-Supervised Medical Image Segmentation [51.509573838103854]
  医用画像セグメンテーションのための半教師付き学習フレームワークであるプログレッシブ平均教師(PMT)を提案する。 我々のPMTは、トレーニングプロセスにおいて、堅牢で多様な特徴を学習することで、高忠実な擬似ラベルを生成する。 CT と MRI の異なる2つのデータセットに対する実験結果から,本手法が最先端の医用画像分割法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-08T15:02:25Z)
• StealthDiffusion: Towards Evading Diffusion Forensic Detection through Diffusion Model [62.25424831998405]
  StealthDiffusionは、AI生成した画像を高品質で受け入れがたい敵の例に修正するフレームワークである。 ホワイトボックスとブラックボックスの設定の両方で有効であり、AI生成した画像を高品質な敵の偽造に変換する。
  論文  参考訳（メタデータ） (2024-08-11T01:22:29Z)
• Synthetic DOmain-Targeted Augmentation (S-DOTA) Improves Model Generalization in Digital Pathology [1.488519799639108]
  機械学習アルゴリズムは、デジタル病理学における患者の結果を改善する可能性がある。 一般化は、組織製剤、染色手順、走査装置の変化に対する感受性によって制限される。 合成DOmain-Targeted Augmentation (S-DOTA) 法,すなわち CycleGAN 対応 Scanner Transform (ST) と Stain Vector Augmentation (SVA) の有効性を検討した。 我々は,これらの手法が様々なタスクや設定に対するモデル一般化を改善する能力を評価した。
  論文  参考訳（メタデータ） (2023-05-03T19:53:30Z)
• 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)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)

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。