論文の概要: Robust Atypical Mitosis Classification with DenseNet121: Stain-Aware Augmentation and Hybrid Loss for Domain Generalization

• arxiv url: http://arxiv.org/abs/2510.22630v1
• Date: Sun, 26 Oct 2025 11:24:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:15.307324
• Title: Robust Atypical Mitosis Classification with DenseNet121: Stain-Aware Augmentation and Hybrid Loss for Domain Generalization
• Title（参考訳）: DenseNet121を用いたロバスト非定型的ミトシス分類:ドメイン一般化のためのステイン・アウェア増強とハイブリッド・ロス
• Authors: Adinath Dukre, Ankan Deria, Yutong Xie, Imran Razzak,
• Abstract要約: 筆者らはMIDOG 2025 (Track 2) 設定における非定型有糸分裂分類に適した DenseNet-121 ベースのフレームワークを提案する。 本手法は, クラス重み付き二元交叉エントロピーと焦点損失を併用したハイブリッド目的を用いて, ステンドアウェア拡張(マッケンコ), 幾何および強度変換, および重み付きサンプリングによる不均衡認識学習を統合する。 AdamWでエンドツーエンドにトレーニングされ、複数の独立したドメインで評価され、スキャナと染色シフトの下で強力な一般化が示され、バランスの取れた精度85.0%、AUROC 0.927、感度89.2%、そして公式テストセットの80.9%が達成された。
• 参考スコア（独自算出の注目度）: 16.048949963804123
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Atypical mitotic figures are important biomarkers of tumor aggressiveness in histopathology, yet reliable recognition remains challenging due to severe class imbalance and variability across imaging domains. We present a DenseNet-121-based framework tailored for atypical mitosis classification in the MIDOG 2025 (Track 2) setting. Our method integrates stain-aware augmentation (Macenko), geometric and intensity transformations, and imbalance-aware learning via weighted sampling with a hybrid objective combining class-weighted binary cross-entropy and focal loss. Trained end-to-end with AdamW and evaluated across multiple independent domains, the model demonstrates strong generalization under scanner and staining shifts, achieving balanced accuracy 85.0%, AUROC 0.927, sensitivity 89.2%, and specificity 80.9% on the official test set. These results indicate that combining DenseNet-121 with stain-aware augmentation and imbalance-adaptive objectives yields a robust, domain-generalizable framework for atypical mitosis classification suitable for real-world computational pathology workflows.
• Abstract（参考訳）: 非定型的な有糸分裂像は、病理組織学において腫瘍攻撃性の重要なバイオマーカーであるが、画像領域間での集団不均衡と変動が激しいため、信頼性の高い認識は依然として困難である。 筆者らはMIDOG 2025 (Track 2) 設定における非定型有糸分裂分類に適した DenseNet-121 ベースのフレームワークを提案する。 本手法は, クラス重み付き二元交叉エントロピーと焦点損失を併用したハイブリッド目的を用いて, ステンドアウェア拡張(マッケンコ), 幾何および強度変換, および重み付きサンプリングによる不均衡認識学習を統合する。 AdamWでエンドツーエンドにトレーニングされ、複数の独立したドメインで評価され、スキャナと染色シフトの下で強力な一般化が示され、バランスの取れた精度85.0%、AUROC 0.927、感度89.2%、そして公式テストセットの80.9%が達成された。 これらの結果から,DenseNet-121とステンレス・アウェア・オービメンテーションとアンバランス・アダプティブ・オブジェクトを組み合わせることで,現実の計算病理ワークフローに適した非典型的ミオシス分類のための堅牢で領域一般化可能なフレームワークが得られることが示唆された。

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)
• MIDOG 2025 Track 2: A Deep Learning Model for Classification of Atypical and Normal Mitotic Figures under Class and Hardness Imbalances [0.0]
  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。
  論文  参考訳（メタデータ） (2025-09-01T15:12:05Z)
• 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)
• Mix, Align, Distil: Reliable Cross-Domain Atypical Mitosis Classification [5.484561603970499]
  MIDOG 2025 Task 2におけるドメイン・ロバストAMF分類のための簡単なトレーニング・タイム・レシピを提案する。 提案手法の精度は0.8762、感度は0.8873、特異性は0.8651、ROC AUCは0.9499である。
  論文  参考訳（メタデータ） (2025-08-28T13:04:55Z)
• HANS-Net: Hyperbolic Convolution and Adaptive Temporal Attention for Accurate and Generalizable Liver and Tumor Segmentation in CT Imaging [2.7205074719266062]
  腹部CT像における肝・腫瘍の正確なセグメンテーションは確実な診断と治療計画に重要である。 ニューラル表現とシナプティック・プラスティック・ネットワーク(HANS-Net)を用いたハイパーボリック・コンボリューションの導入 HANS-Netは、階層的幾何表現のための双曲的畳み込み、マルチスケールテクスチャ学習のためのウェーブレットインスパイアされた分解モジュール、暗黙の神経表現分岐を組み合わせた。
  論文  参考訳（メタデータ） (2025-07-15T13:56:37Z)
• Enhancing Diagnostic Reliability of Foundation Model with Uncertainty Estimation in OCT Images [41.002573031087856]
  光コヒーレンストモグラフィー(OCT)における11個の網膜状態を検出するために,不確実性推定(FMUE)を用いた基礎モデルを開発した。 FMUEは2つの最先端アルゴリズムであるRETFoundとUIOSよりも96.76%高いF1スコアを獲得し、しきい値戦略を98.44%に改善した。 我々のモデルは、F1スコアが高い2人の眼科医(95.17%対61.93% &71.72%)より優れている。
  論文  参考訳（メタデータ） (2024-06-18T03:04:52Z)
• Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.76736949127792]
  我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。 BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。 上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
  論文  参考訳（メタデータ） (2024-05-16T03:23:57Z)
• HAGAN: Hybrid Augmented Generative Adversarial Network for Medical Image Synthesis [39.3485363570488]
  組織と組織細胞の信頼性を維持するために,Hybrid Augmented Generative Adrial Network (HAGAN)を提案する。 HAGANには、アテンション混合(AttnMix)ジェネレータ、階層ディスクリミネータ、およびディスクリミネータとジェネレータ間のリバーススキップ接続が含まれている。
  論文  参考訳（メタデータ） (2024-05-08T09:13:42Z)
• Breast Ultrasound Tumor Classification Using a Hybrid Multitask CNN-Transformer Network [63.845552349914186]
  胸部超音波(BUS)画像分類において,グローバルな文脈情報の収集が重要な役割を担っている。 ビジョントランスフォーマーは、グローバルなコンテキスト情報をキャプチャする能力が改善されているが、トークン化操作によって局所的なイメージパターンを歪めてしまう可能性がある。 本研究では,BUS腫瘍分類とセグメンテーションを行うハイブリッドマルチタスクディープニューラルネットワークであるHybrid-MT-ESTANを提案する。
  論文  参考訳（メタデータ） (2023-08-04T01:19:32Z)
• Corneal endothelium assessment in specular microscopy images with Fuchs' dystrophy via deep regression of signed distance maps [48.498376125522114]
  本稿では,UNetをベースとしたセグメンテーション手法を提案する。 これは、フックスのジストロフィーの全度にわたって、信頼できるCE形態計測と腸骨同定を実現する。
  論文  参考訳（メタデータ） (2022-10-13T15:34:20Z)

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。