論文の概要: Self-learned representation-guided latent diffusion model for breast cancer classification in deep ultraviolet whole surface images

• arxiv url: http://arxiv.org/abs/2601.10917v1
• Date: Fri, 16 Jan 2026 00:22:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-19 20:21:50.315176
• Title: Self-learned representation-guided latent diffusion model for breast cancer classification in deep ultraviolet whole surface images
• Title（参考訳）: 深部紫外線全表面画像における乳がん分類のための自己学習表現誘導潜在拡散モデル
• Authors: Pouya Afshin, David Helminiak, Tianling Niu, Julie M. Jorns, Tina Yen, Bing Yu, Dong Hye Ye,
• Abstract要約: 我々は,高品質な合成学習パッチを生成するための自己監督学習(SSL)誘導潜在モデル(LDM)を提案する。 微調整のDINO教師の埋め込みでLDMを誘導することにより, 細胞構造の深い意味的詳細を合成データに注入する。 5倍クロスバリデーションを用いた実験では,96.47 %の精度でFIDスコアが45.72に低下し,クラス条件のベースラインを著しく上回った。
• 参考スコア（独自算出の注目度）: 4.203807616568477
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Breast-Conserving Surgery (BCS) requires precise intraoperative margin assessment to preserve healthy tissue. Deep Ultraviolet Fluorescence Scanning Microscopy (DUV-FSM) offers rapid, high-resolution surface imaging for this purpose; however, the scarcity of annotated DUV data hinders the training of robust deep learning models. To address this, we propose an Self-Supervised Learning (SSL)-guided Latent Diffusion Model (LDM) to generate high-quality synthetic training patches. By guiding the LDM with embeddings from a fine-tuned DINO teacher, we inject rich semantic details of cellular structures into the synthetic data. We combine real and synthetic patches to fine-tune a Vision Transformer (ViT), utilizing patch prediction aggregation for WSI-level classification. Experiments using 5-fold cross-validation demonstrate that our method achieves 96.47 % accuracy and reduces the FID score to 45.72, significantly outperforming class-conditioned baselines.
• Abstract（参考訳）: 乳房保存手術(BCS)は、正常な組織を維持するために、正確な術中マージン評価を必要とする。 Deep Ultraviolet Fluorescence Scanning Microscopy (DUV-FSM)は、この目的のために高速で高分解能な表面イメージングを提供するが、注釈付きDUVデータの不足は、堅牢なディープラーニングモデルのトレーニングを妨げる。 そこで我々は,高品質な合成学習パッチを生成するための自己監督学習(SSL)誘導潜在拡散モデル(LDM)を提案する。 微調整のDINO教師の埋め込みでLDMを誘導することにより, 細胞構造の深い意味的詳細を合成データに注入する。 実際のパッチと合成パッチを組み合わせて視覚変換器(ViT)を微調整し、WSIレベルの分類のためのパッチ予測アグリゲーションを利用する。 5倍のクロスバリデーションを用いた実験では,96.47 %の精度でFIDスコアを45.72に低減し,クラス条件のベースラインを著しく上回った。

関連論文リスト

• Attention-Enhanced Deep Learning Ensemble for Breast Density Classification in Mammography [0.0]
  本研究では,乳房密度の頑健な二分分類のための自動深層学習システムを提案する。 先進的な畳み込みニューラルネットワークを4つ実装し比較した。 焦点損失, ラベルの平滑化, およびクラスバランスの重み付けを併用した, 新規な焦点ラベル平滑化機能を開発した。
  論文  参考訳（メタデータ） (2025-07-08T21:26:33Z)
• Prompt-Guided Latent Diffusion with Predictive Class Conditioning for 3D Prostate MRI Generation [1.6508709227918446]
  潜在拡散モデル(LDM)は、医療画像の機械学習開発に影響を与えるデータの不足を緩和する可能性がある。 これらの制約に対処する新しい LDM 条件付け手法を提案する。 本手法は,3次元前立腺MRIデータセットの3次元FIDスコアが0.025であることを示す。
  論文  参考訳（メタデータ） (2025-06-11T23:12:48Z)
• Breast Cancer Classification in Deep Ultraviolet Fluorescence Images Using a Patch-Level Vision Transformer Framework [6.0791593833288085]
  深紫外蛍光顕微鏡(DUV-FSM)は、摘出組織に対する全表面画像(WSI)の迅速取得を可能にする。 本研究では,パッチレベル・ビジョン・トランスフォーマー(ViT)モデルを用いたDUV WSI分類フレームワークを提案する。 総合的な5倍のクロスバリデーションは、提案手法が従来のディープラーニング手法を著しく上回り、98.33%の分類精度を達成していることを示す。
  論文  参考訳（メタデータ） (2025-05-12T15:22:54Z)
• Federated EndoViT: Pretraining Vision Transformers via Federated Learning on Endoscopic Image Collections [35.585690280385826]
  We adapt the Masked Autoencoder for Federated Learning, enhance Sharpness-Aware Minimization (FedSAM) and Weight Averaging。 以上の結果から,FedSAMをFederated MAEアプローチに統合することにより,プレトレーニングが向上し,パッチ1本あたりの再建損失が減少することが示唆された。 これらの結果は,外科基礎モデルのプライバシ保護トレーニングにおけるフェデレーション学習の可能性を強調した。
  論文  参考訳（メタデータ） (2025-04-23T10:54:32Z)
• Latent Diffusion Autoencoders: Toward Efficient and Meaningful Unsupervised Representation Learning in Medical Imaging [41.446379453352534]
  LDAE(Latent Diffusion Autoencoder)は、医用画像における効率的で有意義な教師なし学習のための、エンコーダ-デコーダ拡散に基づく新しいフレームワークである。 本研究は,ADNIデータベースの脳MRIを用いたアルツハイマー病(AD)を事例として検討した。
  論文  参考訳（メタデータ） (2025-04-11T15:37:46Z)
• Beyond Synthetic Replays: Turning Diffusion Features into Few-Shot Class-Incremental Learning Knowledge [36.22704733553466]
  FSCIL(Few-shot class-incremental Learning)は、非常に限られたトレーニングデータのために困難である。 最近の研究は、これらの課題に対処するために、生成モデル、特に安定拡散(SD)を調査している。 そこで,Diffusion-FSCILを導入し,実画像の特徴を捉え,SDから4つの相乗的特徴型を抽出する。
  論文  参考訳（メタデータ） (2025-03-30T11:20:08Z)
• Deep learning for automated detection of breast cancer in deep ultraviolet fluorescence images with diffusion probabilistic model [6.658963545934998]
  拡散確率モデル(DPM)は高品質な画像を生成する可能性を示している。 本稿では,乳がん分類の改善を目的とした深部紫外線蛍光(DUV)画像データセットの増強にDPMを適用した。
  論文  参考訳（メタデータ） (2024-07-01T05:00:26Z)
• Semantic Latent Space Regression of Diffusion Autoencoders for Vertebral Fracture Grading [72.45699658852304]
  本稿では,教師なし特徴抽出器として生成拡散オートエンコーダモデルを訓練するための新しい手法を提案する。 フラクチャーグレーディングを連続回帰としてモデル化し, フラクチャーのスムーズな進行を反映した。 重要なことに,本手法の創成特性は,与えられた脊椎の様々な段階を可視化し,自動グルーピングに寄与する特徴を解釈し,洞察することを可能にする。
  論文  参考訳（メタデータ） (2023-03-21T17:16:01Z)
• Successive Subspace Learning for Cardiac Disease Classification with Two-phase Deformation Fields from Cine MRI [36.044984400761535]
  本研究は,CVD分類のための軽量な逐次サブスペース学習フレームワークを提案する。 解釈可能なフィードフォワードデザインに基づいており、心房と組み合わせている。 3D CNNベースのアプローチと比較して、我々のフレームワークは140$times$より少ないパラメータで優れた分類性能を実現する。
  論文  参考訳（メタデータ） (2023-01-21T15:00:59Z)
• Boundary Guided Semantic Learning for Real-time COVID-19 Lung Infection Segmentation System [69.40329819373954]
  新型コロナウイルス(COVID-19)は、世界中の医療システムに悪影響を及ぼし続けている。 現段階では、新型コロナウイルスの診断と治療には、CT画像から肺感染症領域を自動的に分離することが不可欠である。 本稿では,境界案内型セマンティックラーニングネットワーク(BSNet)を提案する。
  論文  参考訳（メタデータ） (2022-09-07T05:01:38Z)

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。