Fugu-MT 論文翻訳(概要): Hierarchical Generalized Category Discovery for Brain Tumor Classification in Digital Pathology

論文の概要: Hierarchical Generalized Category Discovery for Brain Tumor Classification in Digital Pathology

arxiv url: http://arxiv.org/abs/2510.02760v1
Date: Fri, 03 Oct 2025 06:46:55 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-06 16:35:52.28988
Title: Hierarchical Generalized Category Discovery for Brain Tumor Classification in Digital Pathology
Title（参考訳）: デジタル病理における脳腫瘍分類のための階層的一般化カテゴリー発見
Authors: Matthias Perkonigg, Patrick Rockenschaub, Georg Göbel, Adelheid Wöhrer,
Abstract要約: 本稿では、階層的クラスタリングと対照的な学習を統合する新しいアプローチとして、階層的一般化カテゴリー発見による脳腫瘍分類(HGCD-BT)を紹介する。我々はOpenSRHにおけるHGCD-BTの評価を行い、パッチレベルの分類のための最先端のGCD法よりも28%精度が向上した。
参考スコア（独自算出の注目度）: 0.5833117322405447
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Accurate brain tumor classification is critical for intra-operative decision making in neuro-oncological surgery. However, existing approaches are restricted to a fixed set of predefined classes and are therefore unable to capture patterns of tumor types not available during training. Unsupervised learning can extract general-purpose features, but it lacks the ability to incorporate prior knowledge from labelled data, and semi-supervised methods often assume that all potential classes are represented in the labelled data. Generalized Category Discovery (GCD) aims to bridge this gap by categorizing both known and unknown classes within unlabelled data. To reflect the hierarchical structure of brain tumor taxonomies, in this work, we introduce Hierarchical Generalized Category Discovery for Brain Tumor Classification (HGCD-BT), a novel approach that integrates hierarchical clustering with contrastive learning. Our method extends contrastive learning based GCD by incorporating a novel semi-supervised hierarchical clustering loss. We evaluate HGCD-BT on OpenSRH, a dataset of stimulated Raman histology brain tumor images, achieving a +28% improvement in accuracy over state-of-the-art GCD methods for patch-level classification, particularly in identifying previously unseen tumor categories. Furthermore, we demonstrate the generalizability of HGCD-BT on slide-level classification of hematoxylin and eosin stained whole-slide images from the Digital Brain Tumor Atlas, confirming its utility across imaging modalities.
Abstract（参考訳）: 脳腫瘍の正確な分類は、神経腫瘍外科手術における術中決定に重要である。しかし、既存のアプローチは、事前に定義されたクラスの固定セットに制限されており、トレーニング中に利用できない腫瘍タイプのパターンをキャプチャできない。教師なし学習は汎用的な特徴を抽出することができるが、ラベル付きデータから事前知識を組み込む能力が欠如しており、半教師付き手法は、全ての潜在的なクラスがラベル付きデータに表現されていると仮定することが多い。 Generalized Category Discovery (GCD)は、既知のクラスと未知のクラスの両方を非競合データに分類することで、このギャップを埋めることを目的としている。本研究は,脳腫瘍分類の階層構造を反映するため,脳腫瘍分類のための階層的一般化カテゴリー発見(Hierarchical Generalized Category Discovery for Brain tumor Classification, HGCD-BT)を導入する。本手法は,新しい半教師付き階層クラスタリング損失を組み込むことにより,コントラスト学習に基づくGCDを拡張した。我々はOpenSRHにおけるHGCD-BTの評価を行い、特に未確認の腫瘍の分類において、パッチレベルの分類のための最先端のGCD法よりも28%精度が向上した。さらに,HGCD-BTがDigital Brain tumor Atlasからヘマトキシリンおよびエオシン染色した全スライディング画像のスライドレベル分類において一般化可能であることを実証し,画像モダリティにまたがる有用性を確認した。

関連論文リスト

Advancing Generalizable Tumor Segmentation with Anomaly-Aware Open-Vocabulary Attention Maps and Frozen Foundation Diffusion Models [11.774375458215193]
Generalizable tumorは、さまざまな解剖学的領域にまたがるゼロショット腫瘍セグメンテーションのための単一のモデルを訓練することを目的としている。 DiffuGTSはテキストプロンプトに基づいて、異常対応のオープン語彙アテンションマップを生成する。 4つのデータセットと7つの腫瘍カテゴリの実験により,本手法の優れた性能が示された。
論文参考訳（メタデータ） (2025-05-05T16:05:37Z)
Robust Brain MRI Image Classification with SIBOW-SVM [1.3597551064547502]
脳腫瘍の早期発見は、がんの予防と治療に重要であり、究極的にはヒトの寿命を向上させる。 MRIは、スキャンによって包括的な脳画像を生成することで、脳腫瘍を検出する最も効果的な技術である。 CNNを含むディープラーニングに基づく画像分類手法は、適切なモデルキャリブレーションなしでクラス確率を推定する際の課題に直面している。本稿では,Bag-of-Features(BoF)モデルとSIFT特徴抽出と重み付きサポートベクトルマシン(wSVM)を統合した新しい脳腫瘍画像分類手法であるSIBOW-SVMを提案する。以上の結果から,新しい手法は最先端の手法よりも優れていることがわかった。
論文参考訳（メタデータ） (2023-11-15T12:26:24Z)
UniBrain: Universal Brain MRI Diagnosis with Hierarchical Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文参考訳（メタデータ） (2023-09-13T09:22:49Z)
Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文参考訳（メタデータ） (2023-03-07T09:40:22Z)
Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
論文参考訳（メタデータ） (2022-12-14T06:04:18Z)
Optimized Global Perturbation Attacks For Brain Tumour ROI Extraction From Binary Classification Models [0.304585143845864]
本稿では,バイナリクラスラベルを用いた関心領域獲得のための弱教師付きアプローチを提案する。また、事前訓練されたバイナリ分類モデルに基づいて、ジェネレータモデルをトレーニングするための新しい目的関数を提案する。
論文参考訳（メタデータ） (2022-11-09T14:52:36Z)
Brain Tumor Classification by Cascaded Multiscale Multitask Learning Framework Based on Feature Aggregation [12.256043883052506]
MRI画像における脳腫瘍解析は、誤診が死につながる可能性があるため、重要かつ困難な問題である。本稿では、MRI画像の強調と腫瘍領域の検出を含むフレームワークを用いて、MRI画像中の脳腫瘍を同時にセグメント化、分類するアプローチを提案する。主観的および客観的な結果は,評価指標に基づくセグメンテーションと分類結果は,最先端技術に比較してよいか,あるいは同等であることを示している。
論文参考訳（メタデータ） (2021-12-28T22:49:44Z)
Multi-Scale Input Strategies for Medulloblastoma Tumor Classification using Deep Transfer Learning [59.30734371401316]
乳腺芽腫は小児で最も多い悪性脳腫瘍である。 CNNはMBサブタイプ分類に有望な結果を示した。タイルサイズと入力戦略の影響について検討した。
論文参考訳（メタデータ） (2021-09-14T09:42:37Z)
Triplet Contrastive Learning for Brain Tumor Classification [99.07846518148494]
本稿では,脳腫瘍の深層埋め込みを直接学習する手法を提案する。本手法は,27種類の腫瘍群からなる広範囲な脳腫瘍データセットを用いて評価し,そのうち13種は稀である。
論文参考訳（メタデータ） (2021-08-08T11:26:34Z)
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。