論文の概要: Multiple Instance Learning Framework with Masked Hard Instance Mining for Gigapixel Histopathology Image Analysis

• arxiv url: http://arxiv.org/abs/2509.11526v1
• Date: Mon, 15 Sep 2025 02:31:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:23.127871
• Title: Multiple Instance Learning Framework with Masked Hard Instance Mining for Gigapixel Histopathology Image Analysis
• Title（参考訳）: Gigapixel Histopathology Image Analysis のためのマルチインスタンス学習フレームワーク
• Authors: Wenhao Tang, Sheng Huang, Heng Fang, Fengtao Zhou, Bo Liu, Qingshan Liu,
• Abstract要約: マスク付きハードインスタンスマイニング(MHIM-MIL)を用いたマルチインスタンス学習(MIL)フレームワークを提案する。 MHIM-MILは、クラス対応のインスタンス確率を用いて、運動量教師を使用して、有能なインスタンスをマスクし、学生モデルのトレーニングのために暗黙的にハードインスタンスをマイニングする。 MHIM-MILは, 癌診断, サブタイプ, 生存分析タスク, および12のベンチマークによる実験結果から, MHIM-MILが性能および効率の両方において, 最新の手法より優れていることが示された。
• 参考スコア（独自算出の注目度）: 23.804037825593923
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Digitizing pathological images into gigapixel Whole Slide Images (WSIs) has opened new avenues for Computational Pathology (CPath). As positive tissue comprises only a small fraction of gigapixel WSIs, existing Multiple Instance Learning (MIL) methods typically focus on identifying salient instances via attention mechanisms. However, this leads to a bias towards easy-to-classify instances while neglecting challenging ones. Recent studies have shown that hard examples are crucial for accurately modeling discriminative boundaries. Applying such an idea at the instance level, we elaborate a novel MIL framework with masked hard instance mining (MHIM-MIL), which utilizes a Siamese structure with a consistency constraint to explore the hard instances. Using a class-aware instance probability, MHIM-MIL employs a momentum teacher to mask salient instances and implicitly mine hard instances for training the student model. To obtain diverse, non-redundant hard instances, we adopt large-scale random masking while utilizing a global recycle network to mitigate the risk of losing key features. Furthermore, the student updates the teacher using an exponential moving average, which identifies new hard instances for subsequent training iterations and stabilizes optimization. Experimental results on cancer diagnosis, subtyping, survival analysis tasks, and 12 benchmarks demonstrate that MHIM-MIL outperforms the latest methods in both performance and efficiency. The code is available at: https://github.com/DearCaat/MHIM-MIL.
• Abstract（参考訳）: 病理画像をギガピクセル全スライド画像(WSI)にデジタル化することで,計算病理学(CPath)の新たな道が開かれた。 正の組織はごくわずかなギガピクセルのWSIしか含まないため、既存のMIL(Multiple Instance Learning)メソッドは通常、注意機構を通じて正常なインスタンスを特定することに重点を置いている。 しかし、これは難しいインスタンスを無視しながら、簡単に分類できるインスタンスへのバイアスにつながる。 近年の研究では、識別境界を正確にモデル化する上で、難しい例が不可欠であることが示されている。 このようなアイデアをインスタンスレベルで適用することにより,シムズ構造を利用したマスク型ハードインスタンスマイニング(MHIM-MIL)を備えた新しいMILフレームワークを精査し,ハードインスタンスを探索する。 MHIM-MILは、クラス対応のインスタンス確率を用いて、運動量教師を使用して、有能なインスタンスをマスクし、学生モデルのトレーニングのために暗黙的にハードインスタンスをマイニングする。 多様な非冗長なハードインスタンスを得るために,グローバルリサイクルネットワークを活用しながら大規模ランダムマスキングを採用し,重要な特徴を失うリスクを軽減する。 さらに、学生は指数移動平均を用いて教師を更新し、後続のトレーニングイテレーションのための新しいハードインスタンスを特定し、最適化を安定化させる。 MHIM-MILは, 癌診断, サブタイプ, 生存分析タスク, および12のベンチマークによる実験結果から, MHIM-MILが性能および効率の両方において, 最新の手法より優れていることが示された。 コードは、https://github.com/DearCaat/MHIM-MILで入手できる。

関連論文リスト

• Pathological Prior-Guided Multiple Instance Learning For Mitigating Catastrophic Forgetting in Breast Cancer Whole Slide Image Classification [50.899861205016265]
  乳癌のWSI分類における破滅的忘れを緩和する新しい枠組みであるPaGMILを提案する。 私たちのフレームワークでは、共通のMILモデルアーキテクチャに2つの重要なコンポーネントを導入しています。 複数の乳がんデータセットを対象としたPaGMILの連続学習性能の評価を行った。
  論文  参考訳（メタデータ） (2025-03-08T04:51:58Z)
• Dynamic Policy-Driven Adaptive Multi-Instance Learning for Whole Slide Image Classification [26.896926631411652]
  マルチインスタンスラーニング (MIL) は, バッグや疑似バッグを用いた病理組織像全体(WSI)解析において, 優れた性能を示した。 既存のMILベースの技術は、少なくとも1つ以上の問題に悩まされている: 1) 多数のインスタンスに対して高いストレージと集中的な事前処理を必要とすること(サンプリング)、2) バッグラベルを予測するための限られた知識を持つ潜在的な過剰適合(機能表現)、3) 擬似バグカウントと事前バイアスはモデルの堅牢性と一般化可能性(意思決定)に影響を与える。
  論文  参考訳（メタデータ） (2024-03-09T04:43:24Z)
• MamMIL: Multiple Instance Learning for Whole Slide Images with State Space Models [56.37780601189795]
  本稿では,WSI分析のためのフレームワークMamMILを提案する。 私たちは各WSIを非指向グラフとして表現します。 マンバが1次元シーケンスしか処理できない問題に対処するために、トポロジ対応の走査機構を提案する。
  論文  参考訳（メタデータ） (2024-03-08T09:02:13Z)
• Multiple Instance Learning Framework with Masked Hard Instance Mining for Whole Slide Image Classification [11.996318969699296]
  マスケードハードインスタンスマイニング(MHIM-MIL)について紹介する。 MHIM-MILは、潜在的なハードインスタンスを探索するために一貫性のある制約を持つシームズ構造(Teacher-Student)を使用する。 CAMELYON-16およびTCGA肺がんデータセットの実験結果は、MHIM-MILがパフォーマンスとトレーニングコストの点で他の最新の方法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2023-07-28T01:40:04Z)
• Active Learning Principles for In-Context Learning with Large Language Models [65.09970281795769]
  本稿では,アクティブ・ラーニング・アルゴリズムが,文脈内学習における効果的な実演選択手法としてどのように機能するかを検討する。 ALによる文脈内サンプル選択は,不確実性の低い高品質な事例を優先し,試験例と類似性を有することを示す。
  論文  参考訳（メタデータ） (2023-05-23T17:16:04Z)
• Hierarchical Transformer for Survival Prediction Using Multimodality Whole Slide Images and Genomics [63.76637479503006]
  下流タスクのためのギガピクセルレベルのスライド病理画像(WSI)の良質な表現を学習することが重要である。 本稿では,病理画像と対応する遺伝子間の階層的マッピングを学習する階層型マルチモーダルトランスフォーマーフレームワークを提案する。 より優れたWSI表現能力を維持しながら、ベンチマーク手法と比較してGPUリソースが少ないアーキテクチャです。
  論文  参考訳（メタデータ） (2022-11-29T23:47:56Z)
• HardVis: Visual Analytics to Handle Instance Hardness Using Undersampling and Oversampling Techniques [48.82319198853359]
  HardVisは、主に不均衡な分類シナリオでインスタンスの硬さを処理するために設計されたビジュアル分析システムである。 ユーザはさまざまな視点からデータのサブセットを探索して、これらのパラメータをすべて決定できる。 HardVisの有効性と有効性は仮説的利用シナリオとユースケースで実証される。
  論文  参考訳（メタデータ） (2022-03-29T17:04:16Z)
• End-to-end Multiple Instance Learning with Gradient Accumulation [2.2612425542955292]
  本稿では,GPUメモリに制限されることなく,AMMILモデルのエンドツーエンドのトレーニングを可能にするトレーニング戦略を提案する。 我々はQMNISTとImagenetteの両方で実験を行い、性能とトレーニング時間について検討する。 このメモリ効率のアプローチは遅いが、メモリ拡張ベースラインと区別できないパフォーマンスに達する。
  論文  参考訳（メタデータ） (2022-03-08T10:14:51Z)

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。