論文の概要: Rank-Aware Agglomeration of Foundation Models for Immunohistochemistry Image Cell Counting

• arxiv url: http://arxiv.org/abs/2511.12588v1
• Date: Sun, 16 Nov 2025 13:18:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:24.392474
• Title: Rank-Aware Agglomeration of Foundation Models for Immunohistochemistry Image Cell Counting
• Title（参考訳）: 免疫組織化学画像カウントのための基礎モデルのランクアウェアアグリゲーション
• Authors: Zuqi Huang, Mengxin Tian, Huan Liu, Wentao Li, Baobao Liang, Jie Wu, Fang Yan, Zhaoqing Tang, Zhongyu Li,
• Abstract要約: 複数の強力な基礎モデルから知識を抽出するランクアウェア・アグロメレーション・フレームワークを提案する。 その結果,CountIHCは12種類のIHCバイオマーカーと5種類の組織にまたがって最先端の手法を超越していることがわかった。
• 参考スコア（独自算出の注目度）: 12.781544447677007
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate cell counting in immunohistochemistry (IHC) images is critical for quantifying protein expression and aiding cancer diagnosis. However, the task remains challenging due to the chromogen overlap, variable biomarker staining, and diverse cellular morphologies. Regression-based counting methods offer advantages over detection-based ones in handling overlapped cells, yet rarely support end-to-end multi-class counting. Moreover, the potential of foundation models remains largely underexplored in this paradigm. To address these limitations, we propose a rank-aware agglomeration framework that selectively distills knowledge from multiple strong foundation models, leveraging their complementary representations to handle IHC heterogeneity and obtain a compact yet effective student model, CountIHC. Unlike prior task-agnostic agglomeration strategies that either treat all teachers equally or rely on feature similarity, we design a Rank-Aware Teacher Selecting (RATS) strategy that models global-to-local patch rankings to assess each teacher's inherent counting capacity and enable sample-wise teacher selection. For multi-class cell counting, we introduce a fine-tuning stage that reformulates the task as vision-language alignment. Discrete semantic anchors derived from structured text prompts encode both category and quantity information, guiding the regression of class-specific density maps and improving counting for overlapping cells. Extensive experiments demonstrate that CountIHC surpasses state-of-the-art methods across 12 IHC biomarkers and 5 tissue types, while exhibiting high agreement with pathologists' assessments. Its effectiveness on H&E-stained data further confirms the scalability of the proposed method.
• Abstract（参考訳）: 免疫組織化学(IHC)画像における正確な細胞カウントは、タンパク質の発現を定量化し、がんの診断を支援するために重要である。 しかし、染色体重複、可変バイオマーカー染色、および多様な細胞形態が原因で、この課題は依然として困難なままである。 回帰ベースのカウント手法は、重複したセルを扱う場合に検出ベースのカウントよりも利点があるが、エンドツーエンドのマルチクラスカウントをサポートすることは滅多にない。 さらに、基礎モデルのポテンシャルは、このパラダイムにおいてほとんど過小評価されていない。 これらの制約に対処するため、我々は、複数の強力な基礎モデルから知識を選択的に抽出し、その相補表現を利用してIHCの不均一性に対処し、コンパクトで効果的な学生モデルであるCountIHCを得るランクアウェア・アグロメレーションフレームワークを提案する。 全ての教師を平等に扱うか、特徴的類似性に頼っている従来のタスク非依存のアグロメレーション戦略とは異なり、我々は、各教師固有の数え上げ能力を評価し、サンプルワイズな教師選択を可能にする、グローバル・ローカル・パッチランキングをモデル化するランク・アウェア・教師選択(RATS)戦略を設計する。 マルチクラスセルカウントでは,タスクを視覚言語アライメントとして再構成する微調整ステージを導入する。 構造化されたテキストから導かれる離散意味アンカーは、カテゴリ情報と量情報の両方をエンコードし、クラス固有の密度マップの回帰を導き、重複するセルのカウントを改善する。 広範囲にわたる実験により、CountIHCは12のIHCバイオマーカーと5種類の組織にまたがる最先端の手法を超越し、病理学者の評価と高い一致を示した。 H&Eデータに対するその有効性は,提案手法のスケーラビリティをさらに確認する。

関連論文リスト

• Teacher-Student Model for Detecting and Classifying Mitosis in the MIDOG 2025 Challenge [0.5794811300616634]
  有糸分裂の数字を数えるのは病理学者にとって時間集約的であり、サーバ間の変動につながる。 人工知能(AI)は、決定整合性を維持しながら、ミオティックフィギュアを自動的に検出することで解決を約束する。 我々は,ミトーシス検出を画素レベルのセグメンテーションとして定式化し,ミトーシス検出と分類を同時に扱う教師学生モデルを提案する。
  論文  参考訳（メタデータ） (2025-09-03T18:08:11Z)
• Hierarchical Corpus-View-Category Refinement for Carotid Plaque Risk Grading in Ultrasound [29.02957425057645]
  我々はCVC-RF(Corpus-View-Category Refinement Framework)を提案する。 CVC-RFはコーパスレベル、ビューレベル、カテゴリーレベルの情報を処理し、モデル性能を向上させる。 実験結果から,CVC-RFは多レベル改良によるグローバルな特徴を効果的にモデル化できることが示された。
  論文  参考訳（メタデータ） (2025-06-29T06:20:15Z)
• Leveraging Vision-Language Embeddings for Zero-Shot Learning in Histopathology Images [7.048241543461529]
  ゼロショット組織像分類におけるこれらの課題に対処するため, MR-PHE(Multi-Resolution Prompt-Guided Hybrid Embedding)と呼ばれる新しいフレームワークを提案する。 我々は,グローバルな画像埋め込みと重み付けされたパッチ埋め込みを統合したハイブリッドな埋め込み戦略を導入する。 類似性に基づくパッチ重み付け機構は、クラス埋め込みとの関連性に基づいて、アテンションのような重み付けをパッチに割り当てる。
  論文  参考訳（メタデータ） (2025-03-13T12:18:37Z)
• MIRROR: Multi-Modal Pathological Self-Supervised Representation Learning via Modality Alignment and Retention [57.044719143401664]
  病理組織学と転写学は、腫瘍学の基本的なモダリティであり、疾患の形態学的および分子的側面を包含している。 モーダルアライメントと保持を両立させる新しいマルチモーダル表現学習法であるMIRRORを提案する。 がんの亜型化と生存分析のためのTCGAコホートに関する広範囲な評価は,MIRRORの優れた性能を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-03-01T07:02:30Z)
• UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
  ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。 異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。 特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
  論文  参考訳（メタデータ） (2024-02-20T11:50:27Z)
• Deep learning-based instance segmentation for the precise automated quantification of digital breast cancer immunohistochemistry images [1.8434042562191815]
  深層学習に基づくインスタンスセグメンテーションアーキテクチャを用いて,IHCスライスに適用した核バイオマーカーと膜バイオマーカーの自動定量化の実現可能性を示した。 HE, ER, Ki-67 (核バイオマーカー) およびHER2 (膜バイオマーカー) IHC-stained image を用いてアノテーションを収集した。 我々は、2つのモデル(いわゆる核・膜認識セグメンテーションモデル)を訓練した。
  論文  参考訳（メタデータ） (2023-11-22T22:23:47Z)
• The Whole Pathological Slide Classification via Weakly Supervised Learning [7.313528558452559]
  細胞核疾患と病理タイルの空間的相関の2つの病因を考察した。 本研究では,抽出器訓練中の汚れ分離を利用したデータ拡張手法を提案する。 次に,隣接行列を用いてタイル間の空間的関係を記述する。 これら2つのビューを統合することで,H&E染色組織像を解析するためのマルチインスタンス・フレームワークを設計した。
  論文  参考訳（メタデータ） (2023-07-12T16:14:23Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)

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。