論文の概要: Autonomous labeling of surgical resection margins using a foundation model

• arxiv url: http://arxiv.org/abs/2511.22131v1
• Date: Thu, 27 Nov 2025 05:52:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.414226
• Title: Autonomous labeling of surgical resection margins using a foundation model
• Title（参考訳）: ファンデーションモデルを用いた外科的切除マージンの自動ラベル付け
• Authors: Xilin Yang, Musa Aydin, Yuhong Lu, Sahan Yoruc Selcuk, Bijie Bai, Yijie Zhang, Andrew Birkeland, Katjana Ehrlich, Julien Bec, Laura Marcu, Nir Pillar, Aydogan Ozcan,
• Abstract要約: 本研究は,全スライディング画像上で外科的切削面を自律的に局所化する仮想インクネットワーク(VIN)を提案する。 VINは、特徴抽出器として凍結基礎モデルと、因果一貫性のある特徴のパッチレベル分類のために訓練されたコンパクトな2層多層パーセプトロンを使用する。
• 参考スコア（独自算出の注目度）: 4.873604837915161
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Assessing resection margins is central to pathological specimen evaluation and has profound implications for patient outcomes. Current practice employs physical inking, which is applied variably, and cautery artifacts can obscure the true margin on histological sections. We present a virtual inking network (VIN) that autonomously localizes the surgical cut surface on whole-slide images, reducing reliance on inks and standardizing margin-focused review. VIN uses a frozen foundation model as the feature extractor and a compact two-layer multilayer perceptron trained for patch-level classification of cautery-consistent features. The dataset comprised 120 hematoxylin and eosin (H&E) stained slides from 12 human tonsil tissue blocks, resulting in ~2 TB of uncompressed raw image data, where a board-certified pathologist provided boundary annotations. In blind testing with 20 slides from previously unseen blocks, VIN produced coherent margin overlays that qualitatively aligned with expert annotations across serial sections. Quantitatively, region-level accuracy was ~73.3% across the test set, with errors largely confined to limited areas that did not disrupt continuity of the whole-slide margin map. These results indicate that VIN captures cautery-related histomorphology and can provide a reproducible, ink-free margin delineation suitable for integration into routine digital pathology workflows and for downstream measurement of margin distances.
• Abstract（参考訳）: 切除マージンの評価は病理検体評価の中心であり,患者の予後に重大な影響を及ぼす。 現在の慣行では物理的インキングが採用されており、これは可変的に適用され、因果的アーティファクトは、組織学的部分の真のマージンを曖昧にすることができる。 本稿では,仮想インキネットワーク(VIN)を提案する。このネットワークは,スライディング画像上で外科的切削面を自律的に局所化し,インクへの依存を低減し,マージンに着目したレビューを標準化する。 VINは、特徴抽出器として凍結基礎モデルと、因果一貫性のある特徴のパッチレベル分類のために訓練されたコンパクトな2層多層パーセプトロンを使用する。 このデータセットは120個のヘマトキシリンとエオシン(H&E)染色した12個のヒト扁桃組織ブロックから作成され、その結果、未圧縮の生画像データの約2TBが得られた。 以前は見えなかったブロックから20のスライドでブラインドテストを行い、VINはシリアルセクション全体にわたって専門家アノテーションと質的に一致した一貫性のあるマージンオーバーレイを生成した。 定量的には、領域レベルの精度はテストセット全体で約73.3%であり、誤差はスライディング・マージン・マップの連続性を損なわない限られた領域に限られていた。 以上の結果から,VINは因果関係の組織形態を把握し,正常なデジタル病理ワークフローへの統合に適した再現可能なインクフリーマージンデライン化と,マージン距離の下流測定に有効であることが示唆された。

関連論文リスト

• Hemorica: A Comprehensive CT Scan Dataset for Automated Brain Hemorrhage Classification, Segmentation, and Detection [0.749500254646884]
  Hemoricaは、2012年から2024年の間に取得された372個の頭部CT検査の公開コレクションである。 ICHサブタイプ(EPH)、サブデューラル(SDH)、サブアラキノイド(SAH)、パーレンキマル(IPH)の5つのサブタイプ(EPH)に対して、各スキャンは徹底的に注釈付けされている。 Hemoricaは、マルチタスクとカリキュラム学習をサポートする統一されたきめ細かいベンチマークを提供する。
  論文  参考訳（メタデータ） (2025-09-26T23:09:41Z)
• MAF-Net: Multiple attention-guided fusion network for fundus vascular image segmentation [1.3295074739915493]
  網膜基底画像の血管を正確に検出するマルチアテンション誘導核融合ネットワーク(MAF-Net)を提案する。 従来のUNetベースのモデルは、長距離依存を明示的にモデル化するため、部分的な情報を失う可能性がある。 提案手法は,いくつかの最先端手法と比較して良好な結果が得られることを示す。
  論文  参考訳（メタデータ） (2023-05-05T15:22:20Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• Segmentation of Bruch's Membrane in retinal OCT with AMD using anatomical priors and uncertainty quantification [4.5206601127476445]
  本稿では,AMD患者に対するBruch膜(BM)自動分割のためのエンドツーエンド深層学習法を提案する。 アテンションU-Netは、表面の自然な曲率を考慮してBM位置の確率密度関数を出力するように訓練される。 また, サーフェス位置の他に, セグメンテーション出力のAスキャン的不確かさを推定する手法も提案した。
  論文  参考訳（メタデータ） (2022-10-26T15:49:07Z)
• Edge-competing Pathological Liver Vessel Segmentation with Limited Labels [61.38846803229023]
  病理画像からのMVI検出に適したアルゴリズムはまだ存在しない。 本報告では, 血管, MVI, および腫瘍のグレードをラベルとした522枚のスライド画像を含む, 初めて病理組織学的肝画像データセットを収集する。 本稿では,2つのエッジセグメンテーション・ネットワークと2つのエッジセグメンテーション・ディミネータを含むエッジコンペティング・コンテナ・ネットワーク(EVS-Net)を提案する。
  論文  参考訳（メタデータ） (2021-08-01T07:28:32Z)
• Learning Anatomical Segmentations for Tractography from Diffusion MRI [0.0]
  拡散強調MR画像から直接170個の解剖学的領域の高速深層学習に基づくセグメンテーションを導入する。 組織型によっては0.70～0.87Diceのセグメンテーション結果が一定であった。
  論文  参考訳（メタデータ） (2020-09-09T16:20:02Z)
• Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
  CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。 CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。 これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
  論文  参考訳（メタデータ） (2020-04-22T07:30:56Z)

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。