論文の概要: Adaptive Multi-Scale Integration Unlocks Robust Cell Annotation in Histopathology Images

• arxiv url: http://arxiv.org/abs/2511.13586v2
• Date: Tue, 18 Nov 2025 19:43:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-20 13:41:21.115232
• Title: Adaptive Multi-Scale Integration Unlocks Robust Cell Annotation in Histopathology Images
• Title（参考訳）: 病理組織像におけるロバスト細胞アノテーションのアダプティブ・マルチスケール統合
• Authors: Yinuo Xu, Yan Cui, Mingyao Li, Zhi Huang,
• Abstract要約: 我々はXenium空間転写学からマーカー誘導されたデータセットを構築し、8つの臓器に200万セル以上の単一セル解像度ラベルを付けた。 我々は,核形態学と微小環境コンテキストの細胞レベルでのマルチスケール統合のための病理学ワークフローにインスパイアされたフレームワークであるNuClassを紹介する。 以上の結果から,多スケールで不確実性を考慮した核融合は,スライドレベルの病態基盤モデルと信頼度の高い細胞レベルの表現型予測とのギャップを埋める可能性が示唆された。
• 参考スコア（独自算出の注目度）: 3.504506659662406
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Identifying cell types and subtypes in routine histopathology is fundamental for understanding disease. Existing tile-based models capture nuclear detail but miss the broader tissue context that influences cell identity. Current human annotations are coarse-grained and uneven across studies, making fine-grained, subtype-level classification difficult. In this study, we build a marker-guided dataset from Xenium spatial transcriptomics with single-cell resolution labels for more than two million cells across eight organs and 16 classes to address the lack of high-quality annotations. Leveraging this data resource, we introduce NuClass, a pathologist workflow inspired framework for cell-wise multi-scale integration of nuclear morphology and microenvironmental context. It combines Path local, which focuses on nuclear morphology from 224x224 pixel crops, and Path global, which models the surrounding 1024x1024 pixel neighborhood, through a learnable gating module that balances local and global information. An uncertainty-guided objective directs the global path to prioritize regions where the local path is uncertain, and we provide calibrated confidence estimates and Grad-CAM maps for interpretability. Evaluated on three fully held-out cohorts, NuClass achieves up to 96 percent F1 for its best-performing class, outperforming strong baselines. Our results demonstrate that multi-scale, uncertainty-aware fusion can bridge the gap between slide-level pathological foundation models and reliable, cell-level phenotype prediction.
• Abstract（参考訳）: 細胞型とサブタイプを定期的な病理組織学的に同定することは、疾患の理解に不可欠である。 既存のタイルベースのモデルは核の詳細を捉えるが、細胞のアイデンティティに影響を及ぼすより広い組織コンテキストを見逃す。 現在の人間のアノテーションは、研究全体で粗く不均一であり、きめ細かいサブタイプレベルの分類を困難にしている。 本研究では,Xenium空間転写学から8臓器と16クラスにわたる200万以上の細胞に対する単一セル分解能ラベルを用いたマーカー誘導データセットを構築し,高品質なアノテーションの欠如に対処する。 このデータリソースを活用することで、核形態学とマイクロ環境コンテキストの細胞レベルでのマルチスケール統合のための病理学ワークフローにインスパイアされたフレームワークであるNuClassを導入する。 224x224ピクセルの作物の核形態に焦点を当てたPath Localと、周辺1024x1024ピクセルの近隣をモデル化したPath Globalを、ローカル情報とグローバル情報のバランスをとる学習可能なゲーティングモジュールで組み合わせている。 不確実性誘導された目的は、局所経路が不確実な地域を優先するグローバルパスを指示し、キャリブレーションされた信頼度推定とグラッド-CAMマップを解釈可能である。 NuClassは3つのホールドアウトコホートで評価され、最高の成績のクラスで最大96%のF1を達成し、強力なベースラインを上回っている。 以上の結果から,多スケールで不確実性を考慮した核融合は,スライドレベルの病態基盤モデルと信頼度の高い細胞レベルの表現型予測とのギャップを埋める可能性が示唆された。

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)
• CellVerse: Do Large Language Models Really Understand Cell Biology? [74.34984441715517]
  我々は,4種類のシングルセルマルチオミクスデータを統合する統一言語中心の質問応答ベンチマークであるCellVerseを紹介する。 我々は,CellVerse上で160Mから671Bまでの14のオープンソースおよびクローズドソースLLMの性能を体系的に評価した。
  論文  参考訳（メタデータ） (2025-05-09T06:47:23Z)
• 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)
• Revisiting Adaptive Cellular Recognition Under Domain Shifts: A Contextual Correspondence View [49.03501451546763]
  生物学的文脈における暗黙の対応の重要性を明らかにする。 モデル構成成分間のインスタンス認識トレードオフを確保するために, 自己適応型動的蒸留を提案する。
  論文  参考訳（メタデータ） (2024-07-14T04:41:16Z)
• 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)
• Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
  本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。 本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。 実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T02:27:02Z)
• A novel framework employing deep multi-attention channels network for the autonomous detection of metastasizing cells through fluorescence microscopy [0.20999222360659603]
  正常細胞と転移細胞を区別できる計算フレームワークを開発した。 この方法は、正常で転移する単細胞においてアクチンとビメンチンフィラメントの空間的構造を示す蛍光顕微鏡画像に依存する。
  論文  参考訳（メタデータ） (2023-09-02T11:20:10Z)
• Democratizing Pathological Image Segmentation with Lay Annotators via Molecular-empowered Learning [20.11220024755348]
  レイアノテータの部分ラベルを用いた多クラス細胞セグメンテーションのための分子動力学学習手法を提案する。 分子インフォームドアノテーションを用いてF1=0.8496を達成した。 本手法は,病的セグメンテーションの深部モデルの開発をライアノテータレベルまで民主化する。
  論文  参考訳（メタデータ） (2023-05-31T16:54:47Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)

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。