Fugu-MT 論文翻訳(概要): MIDOG 2025 Track 2: A Deep Learning Model for Classification of Atypical and Normal Mitotic Figures under Class and Hardness Imbalances

論文の概要: MIDOG 2025 Track 2: A Deep Learning Model for Classification of Atypical and Normal Mitotic Figures under Class and Hardness Imbalances

arxiv url: http://arxiv.org/abs/2509.10502v1
Date: Mon, 01 Sep 2025 15:12:05 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-21 06:05:45.757853
Title: MIDOG 2025 Track 2: A Deep Learning Model for Classification of Atypical and Normal Mitotic Figures under Class and Hardness Imbalances
Title（参考訳）: MIDOG 2025 Track 2: クラスと硬度の不均衡の下での非定型および正常なミトコンドリアの分類のための深層学習モデル
Authors: Sujatha Kotte, Vangala Govindakrishnan Saipradeep, Vidushi Walia, Dhandapani Nandagopal, Thomas Joseph, Naveen Sivadasan, Bhagat Singh Lali,
Abstract要約: 本稿では,ResNetのバックボーンをベースとした新しいディープラーニング手法を提案する。我々のアーキテクチャは、ミトティックフィギュア表現型とインスタンスの難易度を同時にモデル化する。
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: Motivation: Accurate classification of mitotic figures into normal and atypical types is crucial for tumor prognostication in digital pathology. However, developing robust deep learning models for this task is challenging due to the subtle morphological differences, as well as significant class and hardness imbalances in real-world histopathology datasets. Methods: We propose a novel deep learning approach based on a ResNet backbone with specialized classification heads. Our architecture uniquely models both the mitotic figure phenotype and the instance difficulty simultaneously. This method is specifically designed to handle the challenges of diverse tissue types, scanner variability, and imbalanced data. We employed focal loss to effectively mitigate the pronounced class imbalance, and a comprehensive data augmentation pipeline was implemented to enhance the model's robustness and generalizability. Results: Our approach demonstrated strong and consistent performance. In a 5-fold cross-validation on the MIDOG 2025 Track 2 dataset, it achieved a mean balanced accuracy of 0.8744 +/- 0.0093 and an ROC AUC of 0.9505 +/- 0.029. The model showed robust generalization across preliminary leaderboard evaluations, achieving an overall balanced accuracy of 0.8736 +/- 0.0204. Conclusion: The proposed method offers a reliable and generalizable solution for the classification of atypical and normal mitotic figures. By addressing the inherent challenges of real world data, our approach has the potential to support precise prognostic assessments in clinical practice and improve consistency in pathological diagnosis.
Abstract（参考訳）: モチベーション(Motivation): 正常型と非典型型への有糸分裂像の正確な分類は, デジタル病理学における腫瘍予後に不可欠である。しかし, この課題に対する堅牢な深層学習モデルの開発は, 微妙な形態的差異と, 実世界の病理組織学データセットにおける有意なクラスと硬さの不均衡により困難である。方法:ResNetのバックボーンに専門的な分類を付加した新しい深層学習手法を提案する。我々のアーキテクチャは、ミトティックフィギュア表現型とインスタンスの難易度を同時にモデル化する。この方法は、多様な組織タイプ、スキャナの可変性、不均衡なデータの課題に対処するために特別に設計されている。我々は,クラス不均衡を効果的に緩和するために焦点損失を用い,モデルの堅牢性と一般化性を高めるために包括的データ拡張パイプラインを実装した。結果: 当社のアプローチは強固で一貫したパフォーマンスを示しました。 MIDOG 2025 Track 2データセットの5倍のクロスバリデーションで、平均平衡精度は 0.8744 +/- 0.0093、ROC AUCは 0.9505 +/- 0.029 に達した。このモデルでは、予備のリーダーボード評価全体にわたって堅牢な一般化を示し、全体的なバランス精度は 0.8736 +/- 0.0204 である。結論: 提案手法は非定型的および正常なミオティックフィギュアの分類のための信頼性と一般化可能な解を提供する。実世界のデータに固有の課題に対処することにより,臨床実習における正確な予後評価を支援し,病理診断の整合性を向上させることができる。

関連論文リスト

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)
Pan-Cancer mitotic figures detection and domain generalization: MIDOG 2025 Challenge [0.0]
本報告では、Mitotic Domain Generalization (MIDOG) 2025の課題について詳述する。癌予後の病理組織学における有糸分裂型人物検出の重要課題に対処する。従来のciteShen2024framework と非定型mitoses citeshen025_16780587 のトレーニングデータを強化するための2つの新しいデータセットをリリースする。
論文参考訳（メタデータ） (2025-08-28T16:11:58Z)
Deep Learning for Glioblastoma Morpho-pathological Features Identification: A BraTS-Pathology Challenge Solution [5.347187213114967]
我々は2024年のBraTS-Path Challengeにアプローチを提示する。トレーニング済みのモデルを活用して、BraTS-Pathトレーニングデータセットに微調整します。我々のモデルは0.898704の完全特異性を示し、負のケースを正しく分類する特別な能力を示している。
論文参考訳（メタデータ） (2025-07-24T06:47:23Z)
The Skin Game: Revolutionizing Standards for AI Dermatology Model Comparison [0.6144680854063939]
皮膚画像分類における深層学習アプローチは有望な結果を示しているが、適切な評価を妨げる重要な方法論的課題に直面している。本稿では、皮膚疾患分類研究における現在の方法論の体系的分析を行い、データ準備、強化戦略、パフォーマンス報告におけるかなりの不整合を明らかにした。本稿では、厳密なデータ準備、系統的誤り解析、異なる画像タイプのための特別なプロトコルを強調し、モデル開発、評価、臨床展開のための包括的な方法論的勧告を提案する。
論文参考訳（メタデータ） (2025-02-04T17:15:36Z)
Transformer-Based Self-Supervised Learning for Histopathological Classification of Ischemic Stroke Clot Origin [0.0]
虚血性脳卒中における血栓塞栓源の同定は治療と二次予防に不可欠である。本研究は,虚血性脳梗塞の発生源を分類するためのエンボリのデジタル病理学における自己教師型深層学習アプローチについて述べる。
論文参考訳（メタデータ） (2024-05-01T23:40:12Z)
Class-Imbalanced Graph Learning without Class Rebalancing [62.1368829847041]
クラス不均衡は実世界のノード分類タスクでよく見られ、グラフ学習モデルには大きな課題がある。本研究では、トポロジカルパラダイムからクラス不均衡バイアスの根本原因にアプローチする。我々は,クラス再バランスを伴わずにクラス不均衡バイアスを軽減するために,軽量なトポロジカル拡張フレームワークであるBATを考案した。
論文参考訳（メタデータ） (2023-08-27T19:01:29Z)
TWINS: A Fine-Tuning Framework for Improved Transferability of Adversarial Robustness and Generalization [89.54947228958494]
本稿では,様々な分類タスクにおいて,逆向きに事前訓練されたモデルの微調整に焦点を当てる。本稿では,TWINS(Two-WIng NormliSation)ファインチューニングフレームワークを提案する。 TWINSは、一般化とロバスト性の両方の観点から、幅広い画像分類データセットに有効であることが示されている。
論文参考訳（メタデータ） (2023-03-20T14:12:55Z)
On the explainability of hospitalization prediction on a large COVID-19 patient dataset [45.82374977939355]
我々は、新型コロナウイルス陽性の米国の患者の大規模な(110ドル以上)コホートでの入院を予測するために、さまざまなAIモデルを開発した。高いデータアンバランスにもかかわらず、モデルは平均精度0.96-0.98 (0.75-0.85)、リコール0.96-0.98 (0.74-0.85)、F_score097-0.98 (0.79-0.83)に達する。
論文参考訳（メタデータ） (2021-10-28T10:23:38Z)
A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文参考訳（メタデータ） (2021-06-25T20:09:23Z)
Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文参考訳（メタデータ） (2021-04-07T06:02:04Z)
Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。