論文の概要: Parameter-efficient fine-tuning (PEFT) of Vision Foundation Models for Atypical Mitotic Figure Classification

• arxiv url: http://arxiv.org/abs/2509.16935v1
• Date: Sun, 21 Sep 2025 05:46:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:16.042283
• Title: Parameter-efficient fine-tuning (PEFT) of Vision Foundation Models for Atypical Mitotic Figure Classification
• Title（参考訳）: 非定型相似図形分類のための視覚基礎モデルのパラメータ効率細調整(PEFT)
• Authors: Lavish Ramchandani, Gunjan Deotale, Dev Kumar Das,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Atypical mitotic figures (AMFs) are rare abnormal cell divisions associated with tumor aggressiveness and poor prognosis. Their detection remains a significant challenge due to subtle morphological cues, class imbalance, and inter-observer variability among pathologists. The MIDOG 2025 challenge introduced a dedicated track for atypical mitosis classification, enabling systematic evaluation of deep learning methods. In this study, we investigated the use of large vision foundation models, including Virchow, Virchow2, and UNI, with Low-Rank Adaptation (LoRA) for parameter-efficient fine-tuning. We conducted extensive experiments with different LoRA ranks, as well as random and group-based data splits, to analyze robustness under varied conditions. Our best approach, Virchow with LoRA rank 8 and ensemble of three-fold cross-validation, achieved a balanced accuracy of 88.37% on the preliminary test set, ranking joint 9th in the challenge leaderboard. These results highlight the promise of foundation models with efficient adaptation strategies for the classification of atypical mitosis, while underscoring the need for improvements in specificity and domain generalization.
• Abstract（参考訳）: 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。 彼らの検出は、病理学者間の微妙な形態的手がかり、クラス不均衡、およびサーバ間変動のために、依然として重要な課題である。 MIDOG 2025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を導入し、ディープラーニング手法の体系的評価を可能にした。 本研究では,Virchow,Virchow2,UNIなどの大規模視覚基盤モデルとローランド適応(LoRA)を用いたパラメータ効率の微調整について検討した。 様々な条件下で頑健さを解析するために,異なるLoRAランクとランダムおよびグループベースのデータ分割を用いた広範囲な実験を行った。 我々の最良のアプローチは、LoRAランキング8と3倍のクロスバリデーションのアンサンブルで、予備テストセットで88.37%の精度を達成し、チャレンジリーダーボードで9位にランクインした。 これらの結果は、非典型的有糸分裂の分類に効果的な適応戦略を持つ基礎モデルの約束を強調しつつ、特異性や領域の一般化の改善の必要性を強調している。

関連論文リスト

• Adaptive Learning Strategies for Mitotic Figure Classification in MIDOG2025 Challenge [7.3323821474776]
  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。
  論文  参考訳（メタデータ） (2025-09-01T22:42:53Z)
• 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)
• Ensemble of Pathology Foundation Models for MIDOG 2025 Track 2: Atypical Mitosis Classification [0.0]
  病理基盤モデル(PFM)を大規模病理組織学データセットで事前訓練した。 我々はPFMを補完するために、最先端の畳み込みニューラルネットワークアーキテクチャであるConvNeXt V2を組み込んだ。 我々は,相補的な形態的洞察を統合するために複数のPFMをアンサンブルし,予備評価フェーズデータセット上でバランスの取れた精度を実現した。
  論文  参考訳（メタデータ） (2025-08-29T03:24:57Z)
• Benchmarking Deep Learning and Vision Foundation Models for Atypical vs. Normal Mitosis Classification with Cross-Dataset Evaluation [0.31571255367331746]
  乳癌の非定型的ミトーシスデータセット(AMi-Br)を構築した。 本研究では,自動非定型ミトティックフィギュア(AMF)分類における深層学習手法の比較を行った。 ドメイン内AMi-Brとドメイン外AtNorm-BrとAtNorM-MDでは,それぞれ0.8135,0.7788,0.7723のバランス精度が得られた。
  論文  参考訳（メタデータ） (2025-06-26T16:30:42Z)
• CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection [54.85000884785013]
  異常検出は、異常の定義の曖昧さ、異常型の多様性、トレーニングデータの不足による複雑な問題である。 識別的基盤モデルと生成的基礎モデルの両方を活用するCLIPfusionを提案する。 本手法は, 異常検出の多面的課題に対処する上で, マルチモーダル・マルチモデル融合の有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-06-13T13:30:15Z)
• GenBench: A Benchmarking Suite for Systematic Evaluation of Genomic Foundation Models [56.63218531256961]
  我々はGenomic Foundation Modelsの有効性を評価するためのベンチマークスイートであるGenBenchを紹介する。 GenBenchはモジュラーで拡張可能なフレームワークを提供し、様々な最先端の方法論をカプセル化している。 本稿では,タスク固有性能におけるモデルアーキテクチャとデータセット特性の相互作用のニュアンス解析を行う。
  論文  参考訳（メタデータ） (2024-06-01T08:01:05Z)
• Stacking Ensemble Learning in Deep Domain Adaptation for Ophthalmic Image Classification [61.656149405657246]
  ドメイン適応は、十分なラベルデータを取得することが困難な画像分類タスクに有効である。 本稿では,3つのドメイン適応手法を拡張することで,アンサンブル学習を積み重ねるための新しい手法SELDAを提案する。 Age-Related Eye Disease Study (AREDS)ベンチマーク眼科データセットを用いた実験結果から,提案モデルの有効性が示された。
  論文  参考訳（メタデータ） (2022-09-27T14:19:00Z)
• 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)

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。