論文の概要: Mind the Gap: Continuous Magnification Sampling for Pathology Foundation Models

• arxiv url: http://arxiv.org/abs/2601.02198v1
• Date: Mon, 05 Jan 2026 15:19:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:23.237622
• Title: Mind the Gap: Continuous Magnification Sampling for Pathology Foundation Models
• Title（参考訳）: Mind the Gap: 病理基盤モデルのための継続的拡大サンプリング
• Authors: Alexander Möllers, Julius Hense, Florian Schulz, Timo Milbich, Maximilian Alber, Lukas Ruff,
• Abstract要約: 広範に使用されている離散的な倍率の均一サンプリングにより,中間倍率の劣化が生じることを示す。 倍率スケールで表現品質を最適化するサンプリング分布を導出する。 実験により、連続サンプリングは中間倍率での離散サンプリングよりも大幅に改善されることが示された。
• 参考スコア（独自算出の注目度）: 39.846652646235036
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In histopathology, pathologists examine both tissue architecture at low magnification and fine-grained morphology at high magnification. Yet, the performance of pathology foundation models across magnifications and the effect of magnification sampling during training remain poorly understood. We model magnification sampling as a multi-source domain adaptation problem and develop a simple theoretical framework that reveals systematic trade-offs between sampling strategies. We show that the widely used discrete uniform sampling of magnifications (0.25, 0.5, 1.0, 2.0 mpp) leads to degradation at intermediate magnifications. We introduce continuous magnification sampling, which removes gaps in magnification coverage while preserving performance at standard scales. Further, we derive sampling distributions that optimize representation quality across magnification scales. To evaluate these strategies, we introduce two new benchmarks (TCGA-MS, BRACS-MS) with appropriate metrics. Our experiments show that continuous sampling substantially improves over discrete sampling at intermediate magnifications, with gains of up to 4 percentage points in balanced classification accuracy, and that optimized distributions can further improve performance. Finally, we evaluate current histopathology foundation models, finding that magnification is a primary driver of performance variation across models. Our work paves the way towards future pathology foundation models that perform reliably across magnifications.
• Abstract（参考訳）: 病理組織学では、組織構造を低倍率で、微細な形態を高倍率で調べる。 しかし, 病理基盤モデルの性能とトレーニング中の倍率サンプリングの効果は, いまだによく分かっていない。 マルチソース領域適応問題として拡大サンプリングをモデル化し、サンプリング戦略間の体系的なトレードオフを明らかにするための単純な理論的枠組みを開発する。 広く使用されている離散的な倍率サンプリング (0.25, 0.5, 1.0, 2.0 mpp) は中間倍率で劣化することを示した。 我々は,標準的なスケールで性能を保ちながら,倍率範囲のギャップを除去する連続倍率サンプリングを導入する。 さらに、拡大スケールで表現品質を最適化するサンプリング分布を導出する。 これらの戦略を評価するために、適切なメトリクスを持つ2つの新しいベンチマーク(TCGA-MS, BRACS-MS)を導入する。 実験により, 連続サンプリングは, 中間倍率での離散サンプリングよりも大幅に向上し, バランスの取れた分類精度で最大4ポイント向上し, 最適化された分布により性能が向上することを示した。 最後に,現在の病理組織学基盤モデルを評価し,モデル間の性能変動の主要因は倍率であることを確認した。 我々の研究は、拡大的に確実に機能する将来の病理基盤モデルへの道を開いた。

関連論文リスト

• Foundation Models in Dermatopathology: Skin Tissue Classification [0.05397680436511065]
  本研究では,UNIとVirchhow2の2つの基礎モデルの性能を,全スライディング画像の分類のための特徴抽出器として評価する。 平均アグリゲーション戦略を用いて, パッチレベルの埋め込みをスライドレベルの特徴に集約した。 その結果、Virchow2を用いて抽出したパッチレベルの特徴は、ほとんどのスライドレベルの分類器でUNIを介して抽出した特徴よりも優れていた。
  論文  参考訳（メタデータ） (2025-10-24T17:21:43Z)
• M^3-GloDets: Multi-Region and Multi-Scale Analysis of Fine-Grained Diseased Glomerular Detection [8.016032806222892]
  M3-GloDetは、検出モデルの徹底的な評価を可能にするために設計された、体系的なフレームワークである。 我々は、長年のベンチマークアーキテクチャと、注目すべきパフォーマンスを達成した最先端モデルの両方を評価した。 我々の目標は、モデル強度と限界の理解を深め、自動検出戦略の洗練のための実用的な洞察を提供することである。
  論文  参考訳（メタデータ） (2025-08-25T04:52:34Z)
• PWD: Prior-Guided and Wavelet-Enhanced Diffusion Model for Limited-Angle CT [6.532073662427578]
  LACT再構成のための先行情報埋め込みとウェーブレット特徴融合高速サンプリング拡散モデルを提案する。 PWDは、LACTの再構成忠実性を保ちながら効率的なサンプリングを可能にする。 PWDは50ステップしかサンプリングしないため、PSNRの少なくとも1.7dB改善とSSIMの10%向上を実現している。
  論文  参考訳（メタデータ） (2025-06-30T08:28:32Z)
• Diffusion Models in Low-Level Vision: A Survey [82.77962165415153]
  拡散モデルに基づくソリューションは、優れた品質と多様性のサンプルを作成する能力で広く称賛されている。 本稿では,3つの一般化拡散モデリングフレームワークを提案し,それらと他の深層生成モデルとの相関関係について検討する。 医療、リモートセンシング、ビデオシナリオなど、他のタスクに適用された拡張拡散モデルについて要約する。
  論文  参考訳（メタデータ） (2024-06-17T01:49:27Z)
• Learning Energy-Based Models by Cooperative Diffusion Recovery Likelihood [64.95663299945171]
  高次元データに基づくエネルギーベースモデル(EBM)の訓練は、困難かつ時間を要する可能性がある。 EBMと、GANや拡散モデルのような他の生成フレームワークとの間には、サンプル品質に顕著なギャップがある。 本研究では,協調拡散回復可能性 (CDRL) を提案する。
  論文  参考訳（メタデータ） (2023-09-10T22:05:24Z)
• Optimizing Sampling Patterns for Compressed Sensing MRI with Diffusion Generative Models [75.52575380824051]
  圧縮センシングマルチコイルMRIにおけるサブサンプリングパターンを最適化する学習手法を提案する。 拡散モデルとMRI計測プロセスにより得られた後部平均推定値に基づいて1段階の再構成を行う。 本手法では,効果的なサンプリングパターンの学習には5つのトレーニング画像が必要である。
  論文  参考訳（メタデータ） (2023-06-05T22:09:06Z)
• DiffMIC: Dual-Guidance Diffusion Network for Medical Image Classification [32.67098520984195]
  一般医用画像分類のための拡散モデル(DiffMIC)を提案する。 実験の結果,DiffMICは最先端の手法よりも有意に優れていた。
  論文  参考訳（メタデータ） (2023-03-19T09:15:45Z)

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。