論文の概要: EvoPS: Evolutionary Patch Selection for Whole Slide Image Analysis in Computational Pathology

• arxiv url: http://arxiv.org/abs/2511.07560v1
• Date: Wed, 12 Nov 2025 01:03:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.384433
• Title: EvoPS: Evolutionary Patch Selection for Whole Slide Image Analysis in Computational Pathology
• Title（参考訳）: EvoPS:計算病理における全スライド画像解析のための進化的パッチ選択
• Authors: Saya Hashemian, Azam Asilian Bidgoli,
• Abstract要約: マルチオブジェクト最適化問題としてパッチ選択を定式化する新しいフレームワークであるEvoPSを提案する。 The Cancer Genome Atlasの4つの主要ながんコホートにまたがって、我々の枠組みを検証した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In computational pathology, the gigapixel scale of Whole-Slide Images (WSIs) necessitates their division into thousands of smaller patches. Analyzing these high-dimensional patch embeddings is computationally expensive and risks diluting key diagnostic signals with many uninformative patches. Existing patch selection methods often rely on random sampling or simple clustering heuristics and typically fail to explicitly manage the crucial trade-off between the number of selected patches and the accuracy of the resulting slide representation. To address this gap, we propose EvoPS (Evolutionary Patch Selection), a novel framework that formulates patch selection as a multi-objective optimization problem and leverages an evolutionary search to simultaneously minimize the number of selected patch embeddings and maximize the performance of a downstream similarity search task, generating a Pareto front of optimal trade-off solutions. We validated our framework across four major cancer cohorts from The Cancer Genome Atlas (TCGA) using five pretrained deep learning models to generate patch embeddings, including both supervised CNNs and large self-supervised foundation models. The results demonstrate that EvoPS can reduce the required number of training patch embeddings by over 90% while consistently maintaining or even improving the final classification F1-score compared to a baseline that uses all available patches' embeddings selected through a standard extraction pipeline. The EvoPS framework provides a robust and principled method for creating efficient, accurate, and interpretable WSI representations, empowering users to select an optimal balance between computational cost and diagnostic performance.
• Abstract（参考訳）: 計算病理学において、WSI(Whole-Slide Images)のギガピクセルスケールは、その分割を何千もの小さなパッチに分割する必要がある。 これらの高次元パッチ埋め込みの分析は計算コストが高く、多くの非形式的パッチで重要な診断信号を希釈するリスクがある。 既存のパッチ選択法は、しばしばランダムサンプリングや単純なクラスタリングヒューリスティックに依存し、通常、選択されたパッチの数と結果のスライド表現の精度との間の重要なトレードオフを明示的に管理することができない。 このギャップに対処するために、EvoPS(Evolutionary Patch Selection)という、パッチ選択を多目的最適化問題として定式化し、進化的探索を活用して、選択されたパッチ埋め込み数を同時に最小化し、下流類似性探索タスクの性能を最大化し、最適なトレードオフソリューションのパレートフロントを生成する新しいフレームワークを提案する。 The Cancer Genome Atlas (TCGA) の4つのがんコホートに対して,5つの事前訓練されたディープラーニングモデルを用いて,CNNと大規模自己監督基盤モデルを含むパッチ埋め込みを生成する枠組みを検証した。 その結果、EvoPSは、標準抽出パイプラインで選択されたすべての利用可能なパッチの埋め込みを使用するベースラインと比較して、最終的な分類F1スコアを一貫して維持または改善しながら、必要なトレーニングパッチの埋め込み数を90%以上削減できることを示した。 EvoPSフレームワークは、効率的な、正確で、解釈可能なWSI表現を作成するための堅牢で原則化された方法を提供する。

関連論文リスト

• AHDMIL: Asymmetric Hierarchical Distillation Multi-Instance Learning for Fast and Accurate Whole-Slide Image Classification [51.525891360380285]
  AHDMILは非対称な階層的蒸留マルチインスタンス学習フレームワークである。 2段階のトレーニングプロセスを通じて、無関係なパッチを排除します。 分類性能と推論速度の両方において、従来の最先端手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2025-08-07T07:47:16Z)
• PATHS: A Hierarchical Transformer for Efficient Whole Slide Image Analysis [9.862551438475666]
  計算病理学におけるスライドレベルタスクにおける階層的弱教師付き表現学習のための新しいトップダウン手法を提案する。 PATHSは、人間の病理医がスライドを検査し、各倍率レベルでパッチを診断に関連する小さなサブセットにフィルタリングする、クロスマグニフィケーションの方法にインスパイアされている。 PATHSをThe Cancer Genome Atlas(TCGA)の5つのデータセットに適用し、スライドレベルの予測タスクにおいて優れたパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-11-27T11:03:38Z)
• Evolutionary Computation in Action: Feature Selection for Deep Embedding Spaces of Gigapixel Pathology Images [0.6037276428689636]
  本稿では, 大規模多目的最適化(LSMOP)に基づくWSI表現の進化的アプローチを提案する。 The Cancer Genome Atlas(TC)画像を用いて,WSI表現,分類精度,特徴品質の観点から提案手法を検証した。 提案した進化的アルゴリズムは、最先端の手法によって提供されるコードよりも8%高い精度でWSIを表現するための非常にコンパクトな特徴ベクトルを求める。
  論文  参考訳（メタデータ） (2023-03-02T03:36:15Z)
• Which Pixel to Annotate: a Label-Efficient Nuclei Segmentation Framework [70.18084425770091]
  ディープニューラルネットワークは、H&E染色病理像の核インスタンスセグメンテーションに広く応用されている。 通常、類似したパターンと冗長なパターンを含む核画像のデータセットに全てのピクセルをラベル付けするのは非効率で不要である。 そこで本研究では,アノテートするイメージパッチを数個だけ選択し,選択したサンプルからトレーニングセットを増強し,半教師付きで核分割を実現する,新しいフル核分割フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-20T14:53:26Z)
• 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)
• Hybrid guiding: A multi-resolution refinement approach for semantic segmentation of gigapixel histopathological images [0.7490318169877296]
  セマンティックセグメンテーションのための、H2G-Netと呼ばれるカスケード畳み込みニューラルネットワーク設計を提案する。 設計にはパッチワイズ方式による検出段階と、畳み込みオートエンコーダを用いた改良段階が含まれる。 最高の設計は90 WSIの独立したテストセットでDiceスコア0.933を達成した。
  論文  参考訳（メタデータ） (2021-12-07T02:31:29Z)
• Cervical Cytology Classification Using PCA & GWO Enhanced Deep Features Selection [1.990876596716716]
  子宮頸癌は世界でも最も致命的かつ一般的な疾患の1つである。 ディープラーニングと特徴選択を利用した完全自動化フレームワークを提案する。 このフレームワークは3つの公開ベンチマークデータセットで評価されている。
  論文  参考訳（メタデータ） (2021-06-09T08:57:22Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Rethinking Generative Zero-Shot Learning: An Ensemble Learning Perspective for Recognising Visual Patches [52.67723703088284]
  我々はMPGAN(Multi-patch Generative Adversarial Nets)と呼ばれる新しいフレームワークを提案する。 MPGANは、新しい重み付き投票戦略で、ローカルパッチ機能とラベルが見えないクラスを合成する。 MPGANは最先端の手法よりもはるかに精度が高い。
  論文  参考訳（メタデータ） (2020-07-27T05:49:44Z)
• Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant Disease Diagnosis [64.82680813427054]
  植物病は食料安全保障と作物生産に対する主要な脅威の1つである。 1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。 本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-17T09:51:30Z)

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。