論文の概要: THIR: Topological Histopathological Image Retrieval

• arxiv url: http://arxiv.org/abs/2511.13170v1
• Date: Mon, 17 Nov 2025 09:18:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:25.097044
• Title: THIR: Topological Histopathological Image Retrieval
• Title（参考訳）: トポロジカル・ヒストロジカル・イメージ検索
• Authors: Zahra Tabatabaei, Jon Sporring,
• Abstract要約: THIRはコンテンツベースの医療画像検索フレームワークである。 完全に監督なしで運用されている。 標準CPUでデータセット全体を20分以内で処理する。
• 参考スコア（独自算出の注目度）: 0.7161783472741748
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: According to the World Health Organization, breast cancer claimed the lives of approximately 685,000 women in 2020. Early diagnosis and accurate clinical decision making are critical in reducing this global burden. In this study, we propose THIR, a novel Content-Based Medical Image Retrieval (CBMIR) framework that leverages topological data analysis specifically, Betti numbers derived from persistent homology to characterize and retrieve histopathological images based on their intrinsic structural patterns. Unlike conventional deep learning approaches that rely on extensive training, annotated datasets, and powerful GPU resources, THIR operates entirely without supervision. It extracts topological fingerprints directly from RGB histopathological images using cubical persistence, encoding the evolution of loops as compact, interpretable feature vectors. The similarity retrieval is then performed by computing the distances between these topological descriptors, efficiently returning the top-K most relevant matches. Extensive experiments on the BreaKHis dataset demonstrate that THIR outperforms state of the art supervised and unsupervised methods. It processes the entire dataset in under 20 minutes on a standard CPU, offering a fast, scalable, and training free solution for clinical image retrieval.
• Abstract（参考訳）: 世界保健機関(WHO)によると、2020年の乳がん患者数は約68万5000人。 早期診断と正確な臨床診断は、この世界的な負担を軽減するために重要である。 本研究では、トポロジデータ解析を特に活用したコンテンツベース医療画像検索(CBMIR)フレームワークであるTHIRと、持続的ホモロジーから派生したベティ数を用いて、その内在的構造パターンに基づいて、組織像を特徴付け、検索する手法を提案する。 広範なトレーニング、注釈付きデータセット、強力なGPUリソースに依存する従来のディープラーニングアプローチとは異なり、THIRは完全に監視なしで動作する。 ループの進化をコンパクトで解釈可能な特徴ベクトルとしてエンコードし,3次永続性を用いてRGBの病理像から直接トポロジカルフィンガーを抽出する。 類似性検索は、これらのトポロジカルディスクリプタ間の距離を計算し、Top-Kの最も関連性の高いマッチを効率よく返すことによって行われる。 BreaKHisデータセットの大規模な実験は、THIRが最先端の教師付きおよび教師なしの手法より優れていることを示した。 標準CPU上でデータセット全体を20分以内で処理し、高速でスケーラブルで、臨床画像検索のための無償のソリューションを提供する。

関連論文リスト

• Disentanglement of Biological and Technical Factors via Latent Space Rotation in Clinical Imaging Improves Disease Pattern Discovery [0.4820000447145793]
  本稿では,データ潜在空間の保温後回転を通じて,ドメインシフトを積極的に学習する手法を提案する。 その結果, 学習した非絡み合い表現は, 組織型を表す安定したクラスタを, 異なる取得環境に分散させることが示唆された。
  論文  参考訳（メタデータ） (2025-09-14T21:16:15Z)
• Challenges in Deep Learning-Based Small Organ Segmentation: A Benchmarking Perspective for Medical Research with Limited Datasets [1.2648105980808475]
  本研究では,最先端のディープラーニングセグメンテーションモデルの体系的評価について検討する。 その結果, モデル性能はデータ分割に非常に敏感であり, 統計的ノイズによる差は, 真のアルゴリズム上の優越性よりも小さいことがわかった。
  論文  参考訳（メタデータ） (2025-09-07T01:54:20Z)
• A Graph-Based Framework for Interpretable Whole Slide Image Analysis [86.37618055724441]
  我々は,全スライディング画像を生物学的にインフォームドされたグラフ表現に変換するフレームワークを開発した。 我々のアプローチは、任意の格子ではなく、自然構造を尊重する組織領域からグラフノードを構築する。 がんのステージングと生存予測の課題に強いパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-03-14T20:15:04Z)
• HistoSPACE: Histology-Inspired Spatial Transcriptome Prediction And Characterization Engine [0.0]
  HistoSPACEモデルは、STデータで利用可能な組織像の多様性を調べ、組織像から分子的洞察を抽出する。 モデルは、現代のアルゴリズムと比較して大きな効率性を示し、残余のクロスバリデーションにおいて0.56の相関関係を示す。
  論文  参考訳（メタデータ） (2024-08-07T07:12:52Z)
• Benchmarking Embedding Aggregation Methods in Computational Pathology: A Clinical Data Perspective [32.93871326428446]
  人工知能(AI)の最近の進歩は、医療画像と計算病理に革命をもたらしている。 デジタル全スライド画像(WSI)の解析における一定の課題は、何万ものタイルレベルの画像埋め込みをスライドレベルの表現に集約する問題である。 本研究は,9つの臨床的課題を対象とした10種類のスライドレベルのアグリゲーション手法のベンチマーク分析を行った。
  論文  参考訳（メタデータ） (2024-07-10T17:00:57Z)
• 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)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)

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。