論文の概要: Fusion of Heterogeneous Pathology Foundation Models for Whole Slide Image Analysis

• arxiv url: http://arxiv.org/abs/2510.27237v1
• Date: Fri, 31 Oct 2025 06:59:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-03 17:52:16.013528
• Title: Fusion of Heterogeneous Pathology Foundation Models for Whole Slide Image Analysis
• Title（参考訳）: 全スライド画像解析のための異種病理基盤モデルの融合
• Authors: Zhidong Yang, Xiuhui Shi, Wei Ba, Zhigang Song, Haijing Luan, Taiyuan Hu, Senlin Lin, Jiguang Wang, Shaohua Kevin Zhou, Rui Yan,
• Abstract要約: 完全スライド画像(WSI)解析は、計算病理学においてますます必須の手法になりつつある。 病理基盤モデル(FM)の最近の進歩は,WSIから有意義なパッチレベルやスライドレベルの特徴表現を導出する上で,大きな優位性を示している。 本研究では,FuseCPathと呼ばれる異種病的FMの融合のための新しいフレームワークを提案し,より優れたアンサンブル性能を持つモデルを生成する。
• 参考スコア（独自算出の注目度）: 10.323462166785133
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Whole slide image (WSI) analysis has emerged as an increasingly essential technique in computational pathology. Recent advances in the pathological foundation models (FMs) have demonstrated significant advantages in deriving meaningful patch-level or slide-level feature representations from WSIs. However, current pathological FMs have exhibited substantial heterogeneity caused by diverse private training datasets and different network architectures. This heterogeneity introduces performance variability when we utilize the extracted features from different FMs in the downstream tasks. To fully explore the advantage of multiple FMs effectively, in this work, we propose a novel framework for the fusion of heterogeneous pathological FMs, called FuseCPath, yielding a model with a superior ensemble performance. The main contributions of our framework can be summarized as follows: (i) To guarantee the representativeness of the training patches, we propose a multi-view clustering-based method to filter out the discriminative patches via multiple FMs' embeddings. (ii) To effectively fuse the heterogeneous patch-level FMs, we devise a cluster-level re-embedding strategy to online capture patch-level local features. (iii) To effectively fuse the heterogeneous slide-level FMs, we devise a collaborative distillation strategy to explore the connections between slide-level FMs. Extensive experiments conducted on lung cancer, bladder cancer, and colorectal cancer datasets from The Cancer Genome Atlas (TCGA) have demonstrated that the proposed FuseCPath achieves state-of-the-art performance across multiple tasks on these public datasets.
• Abstract（参考訳）: 完全スライド画像(WSI)解析は、計算病理学においてますます必須の手法になりつつある。 病理基盤モデル(FM)の最近の進歩は,WSIから有意義なパッチレベルやスライドレベルの特徴表現を導出する上で,大きな優位性を示している。 しかし、現在のFMは、多様なプライベートトレーニングデータセットと異なるネットワークアーキテクチャによって引き起こされる相当な不均一性を示している。 この不均一性は、下流タスクで異なるFMから抽出された特徴を利用する際に、性能変動をもたらす。 本研究では,複数のFMの利点を効果的に探求するために,FuseCPathと呼ばれる異種病的FMの融合のための新しいフレームワークを提案する。 私たちのフレームワークの主なコントリビューションは、次のように要約できる。 i) トレーニングパッチの表現性を保証するため,複数のFMの埋め込みによって識別パッチをフィルタリングするマルチビュークラスタリング方式を提案する。 (二)異種パッチレベルのFMを効果的に融合させるため、クラスタレベルの再埋め込み戦略を考案し、パッチレベルのローカル機能をオンラインキャプチャする。 3) 不均一なスライドレベルのFMを効果的に融合させるため,スライドレベルのFM間の接続を探索するための共同蒸留戦略を考案した。 The Cancer Genome Atlas (TCGA) による肺癌、膀胱癌、大腸癌のデータセットに関する大規模な実験は、提案されたFuseCPathがこれらの公開データセット上の複数のタスクで最先端のパフォーマンスを達成することを実証している。

関連論文リスト

• AdaFusion: Prompt-Guided Inference with Adaptive Fusion of Pathology Foundation Models [49.550545038402184]
  本稿では,新しいプロンプト誘導推論フレームワークであるAdaFusionを提案する。 本手法は,多様なモデルからタイルレベルの特徴を圧縮・整列する。 AdaFusionは、分類タスクと回帰タスクの両方にわたって、個々のPFMを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-08-07T07:09:31Z)
• UniSegDiff: Boosting Unified Lesion Segmentation via a Staged Diffusion Model [53.34835793648352]
  病変分割のための新しい拡散モデルフレームワークUniSegDiffを提案する。 UniSegDiffは、複数のモダリティと臓器にまたがる統一された方法で病変のセグメンテーションに対処する。 総合的な実験結果から、UniSegDiffは従来のSOTA(State-of-the-art)アプローチよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2025-07-24T12:33:10Z)
• Benchmarking histopathology foundation models in a multi-center dataset for skin cancer subtyping [1.927195358774599]
  大規模なドメイン内データセットの事前トレーニングは、履歴病理基盤モデル(FM)にタスクに依存しないデータ表現を学習する能力を与える。 計算病理学では、スライド全体の自動解析には、スライドのギガピクセルスケールのため、複数のインスタンス学習(MIL)フレームワークが必要である。 本研究は,MIL分類フレームワーク内のパッチレベルの特徴抽出器として,病理組織学的FMを評価するための新しいベンチマークを提案する。
  論文  参考訳（メタデータ） (2025-06-23T14:12:16Z)
• 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)
• PathSegDiff: Pathology Segmentation using Diffusion model representations [63.20694440934692]
  そこで我々は,Latent Diffusion Models (LDMs) を事前学習した特徴抽出器として活用する,病理組織像分割の新しい手法であるPathSegDiffを提案する。 本手法は,H&E染色組織像から多彩な意味情報を抽出するために,自己教師型エンコーダによって誘導される病理特異的LCMを用いる。 本実験は,BCSSおよびGlaSデータセットにおける従来の手法よりも大幅に改善されたことを示す。
  論文  参考訳（メタデータ） (2025-04-09T14:58:21Z)
• Revisiting Automatic Data Curation for Vision Foundation Models in Digital Pathology [41.34847597178388]
  視覚基盤モデル(FM)は、全スライディング画像から抽出された高度に異質なタイルの組織学的特徴を表現することを学ぶ。 タイルレベルでの教師なし自動データキュレーションの可能性について検討し,3億5000万個のタイルを考慮に入れた。
  論文  参考訳（メタデータ） (2025-03-24T14:23:48Z)
• Accelerated Multi-Contrast MRI Reconstruction via Frequency and Spatial Mutual Learning [50.74383395813782]
  本稿では,周波数・空間相互学習ネットワーク(FSMNet)を提案する。 提案したFSMNetは, 加速度係数の異なるマルチコントラストMR再構成タスクに対して, 最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-09-21T12:02:47Z)
• Orientation-Shared Convolution Representation for CT Metal Artifact Learning [63.67718355820655]
  X線CT(CT)スキャン中、患者を乗せた金属インプラントは、しばしば有害なアーティファクトに繋がる。 既存のディープラーニングベースの手法は、有望な再構築性能を得た。 本稿では,人工物の物理的事前構造に適応するために,配向型畳み込み表現戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-26T13:56:12Z)

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。