論文の概要: Graph Laplacian Transformer with Progressive Sampling for Prostate Cancer Grading
- arxiv url: http://arxiv.org/abs/2512.10808v1
- Date: Thu, 11 Dec 2025 16:55:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-12 16:15:42.472085
- Title: Graph Laplacian Transformer with Progressive Sampling for Prostate Cancer Grading
- Title（参考訳）: 前立腺癌に対するプログレッシブサンプリングを用いたグラフラプラシア変換器
- Authors: Masum Shah Junayed, John Derek Van Vessem, Qian Wan, Gahie Nam, Sheida Nabavi,
- Abstract要約: 本稿では,特徴学習と空間整合性の両立を図るために,反復リファインメントモジュール (IRM) と統合されたグラフラプラシアンアテンションベーストランス (GLAT) を提案する。
IRMは、事前訓練されたResNet50を局所的特徴抽出に利用し、重要なスコアリングのために、非段階的なモードで基礎モデルを活用することにより、パッチ選択を反復的に洗練する。
GLATは、パッチがノードとして機能するグラフを構築し、グラフラプラシアン制約による空間的一貫性を確保することによって、組織レベルの接続をモデル化する。
- 参考スコア（独自算出の注目度）: 2.9485900021889146
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Prostate cancer grading from whole-slide images (WSIs) remains a challenging task due to the large-scale nature of WSIs, the presence of heterogeneous tissue structures, and difficulty of selecting diagnostically relevant regions. Existing approaches often rely on random or static patch selection, leading to the inclusion of redundant or non-informative regions that degrade performance. To address this, we propose a Graph Laplacian Attention-Based Transformer (GLAT) integrated with an Iterative Refinement Module (IRM) to enhance both feature learning and spatial consistency. The IRM iteratively refines patch selection by leveraging a pretrained ResNet50 for local feature extraction and a foundation model in no-gradient mode for importance scoring, ensuring only the most relevant tissue regions are preserved. The GLAT models tissue-level connectivity by constructing a graph where patches serve as nodes, ensuring spatial consistency through graph Laplacian constraints and refining feature representations via a learnable filtering mechanism that enhances discriminative histological structures. Additionally, a convex aggregation mechanism dynamically adjusts patch importance to generate a robust WSI-level representation. Extensive experiments on five public and one private dataset demonstrate that our model outperforms state-of-the-art methods, achieving higher performance and spatial consistency while maintaining computational efficiency.
- Abstract（参考訳）: 前立腺癌は,WSIsの大規模性質,異種組織構造の存在,診断学的に関連のある領域の選択が難しいため,いまだに課題である。
既存のアプローチは多くの場合、ランダムまたは静的なパッチ選択に依存しており、パフォーマンスを低下させる冗長または非インフォーマティブな領域を含んでいる。
そこで我々は,特徴学習と空間整合性の両立を図るために,反復リファインメントモジュール (IRM) と統合されたグラフラプラシアンアテンションベーストランス (GLAT) を提案する。
IRMは、未訓練のResNet50を局所的特徴抽出に利用し、重要なスコアリングのための基礎モデルを非段階的に活用することにより、パッチ選択を反復的に洗練し、最も関連性の高い組織領域のみが保存される。
GLATは、パッチがノードとして機能するグラフを構築し、グラフラプラシアの制約によって空間的一貫性を確保し、識別的組織構造を強化する学習可能なフィルタリング機構を通じて特徴表現を洗練することにより、組織レベルの接続をモデル化する。
さらに、凸集約機構はパッチの重要度を動的に調整し、堅牢なWSIレベルの表現を生成する。
5つの公開データセットと1つのプライベートデータセットの大規模な実験により、我々のモデルは最先端の手法よりも優れ、計算効率を維持しながら高い性能と空間的整合性を達成できることを示した。
関連論文リスト
- Residual-SwinCA-Net: A Channel-Aware Integrated Residual CNN-Swin Transformer for Malignant Lesion Segmentation in BUSI [1.759752510445115]
本研究では,新しいハイブリッド型Residual-SwinCA-Netセグメンテーションフレームワークを提案する。
グローバルな依存関係を学習するために、内部残留経路を使用してSwin Transformerブロックをカスタマイズする。
Residual-SwinCA-Netと既存のCNN/ViTs技術はBUSIデータセット上に実装されている。
論文 参考訳（メタデータ） (2025-12-09T04:52:30Z) - Feature-Space Planes Searcher: A Universal Domain Adaptation Framework for Interpretability and Computational Efficiency [7.889121135601528]
現在の教師なし領域適応法は微調整特徴抽出器に依存している。
領域適応フレームワークとしてFPS(Feature-space Planes Searcher)を提案する。
FPSは最先端の手法と比較して,競争力や性能に優れることを示す。
論文 参考訳（メタデータ） (2025-08-26T05:39:21Z) - GCRPNet: Graph-Enhanced Contextual and Regional Perception Network for Salient Object Detection in Optical Remote Sensing Images [68.33481681452675]
本稿では,GCRPNet(Graph-enhanced contextual and Regional Recognition Network)を提案する。
これはMambaアーキテクチャの上に構築され、長距離依存関係を同時にキャプチャし、地域的特徴表現を強化する。
マルチスケールの畳み込みによって処理される特徴マップに対して適応的なパッチスキャンを行い、リッチなローカル領域情報をキャプチャする。
論文 参考訳（メタデータ） (2025-08-14T11:31:43Z) - Deformable Attention Graph Representation Learning for Histopathology Whole Slide Image Analysis [9.724220291296927]
本稿では,病理画像解析における変形性を考慮した新しいGNNフレームワークを提案する。
パッチの特徴に基づいて動的重み付き有向グラフを構築し、各ノードが注目重み付きエッジを介して隣人からのコンテキスト情報を集約する。
具体的には、各パッチの実際の座標から得られる学習可能な空間オフセットを組み込み、モデルがスライド全体の形態的関連領域に適応的に参加できるようにする。
論文 参考訳（メタデータ） (2025-08-07T13:30:29Z) - Minimal High-Resolution Patches Are Sufficient for Whole Slide Image Representation via Cascaded Dual-Scale Reconstruction [13.897013242536849]
全スライディング画像(WSI)解析は、ギガピクセルスケールとわずかに分散した診断領域のため、依然として困難である。
本稿では,WSIあたりの平均9つの高解像度パッチだけが,スライドレベルの堅牢な表現に十分であることを示すカスケードデュアルスケール再構築フレームワークを提案する。
論文 参考訳（メタデータ） (2025-08-03T08:01:30Z) - SDTN and TRN: Adaptive Spectral-Spatial Feature Extraction for Hyperspectral Image Classification [1.2871580250533408]
ハイパースペクトル画像分類は、精密農業において重要な役割を担い、作物の健康モニタリング、病気の検出、土壌分析に関する正確な洞察を提供する。
従来の手法は高次元データ、スペクトル空間の冗長性、ラベル付きサンプルの不足に悩まされ、しばしば準最適性能に繋がる。
これらの課題に対処するために,テンソル分解と正規化機構を組み合わせた自己適応正規化ネットワーク(SDTN)を提案し,テンソルランクを動的に調整する。
このアプローチは、高い分類精度を維持するだけでなく、計算の複雑さを大幅に減らし、リソース制約のある環境でのリアルタイムデプロイメントに非常に適している。
論文 参考訳（メタデータ） (2025-07-13T04:53:33Z) - High-Fidelity Scientific Simulation Surrogates via Adaptive Implicit Neural Representations [51.90920900332569]
入射神経表現(INR)は空間的に構造化されたデータをモデリングするためのコンパクトで連続的なフレームワークを提供する。
近年のアプローチでは、剛性幾何学的構造に沿った付加的な特徴を導入することでこの問題に対処している。
機能適応型INR(FA-INR)を提案する。
論文 参考訳（メタデータ） (2025-06-07T16:45:17Z) - Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。
半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文 参考訳（メタデータ） (2023-12-26T12:56:31Z) - Self-Guided Adaptation: Progressive Representation Alignment for Domain
Adaptive Object Detection [86.69077525494106]
非教師なしドメイン適応(UDA)は、オブジェクト検出モデルのドメイン間ロバスト性を改善するために前例のない成功を収めた。
既存のUDA手法は、モデル学習中の瞬間的なデータ分布を無視しており、大きなドメインシフトによって特徴表現が劣化する可能性がある。
本稿では、特徴表現の整合とドメイン間のオブジェクト検出モデルの転送を目標とする自己ガイド適応モデルを提案する。
論文 参考訳（メタデータ） (2020-03-19T13:30:45Z)
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。