論文の概要: Semi-Supervised Domain Adaptation with Latent Diffusion for Pathology Image Classification

• arxiv url: http://arxiv.org/abs/2601.17228v1
• Date: Fri, 23 Jan 2026 23:33:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:07.432431
• Title: Semi-Supervised Domain Adaptation with Latent Diffusion for Pathology Image Classification
• Title（参考訳）: 病理画像分類における遅延拡散を用いた半監督領域適応法
• Authors: Tengyue Zhang, Ruiwen Ding, Luoting Zhuang, Yuxiao Wu, Erika F. Rodriguez, William Hsu,
• Abstract要約: 計算病理学におけるディープラーニングモデルは、ドメインシフトのため、コホートや機関をまたいだ一般化に失敗することが多い。 本稿では,ソースドメインとターゲットドメインの両方のラベル付きデータに基づいてトレーニングされた潜時拡散モデルを利用する半教師付きドメイン適応フレームワークを提案する。 提案手法は, ソースコホート性能を低下させることなく, 目標コホートからのホールドアウト試験セットの性能を著しく向上させることができた。
• 参考スコア（独自算出の注目度）: 1.0306774687933415
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning models in computational pathology often fail to generalize across cohorts and institutions due to domain shift. Existing approaches either fail to leverage unlabeled data from the target domain or rely on image-to-image translation, which can distort tissue structures and compromise model accuracy. In this work, we propose a semi-supervised domain adaptation (SSDA) framework that utilizes a latent diffusion model trained on unlabeled data from both the source and target domains to generate morphology-preserving and target-aware synthetic images. By conditioning the diffusion model on foundation model features, cohort identity, and tissue preparation method, we preserve tissue structure in the source domain while introducing target-domain appearance characteristics. The target-aware synthetic images, combined with real, labeled images from the source cohort, are subsequently used to train a downstream classifier, which is then tested on the target cohort. The effectiveness of the proposed SSDA framework is demonstrated on the task of lung adenocarcinoma prognostication. The proposed augmentation yielded substantially better performance on the held-out test set from the target cohort, without degrading source-cohort performance. The approach improved the weighted F1 score on the target-cohort held-out test set from 0.611 to 0.706 and the macro F1 score from 0.641 to 0.716. Our results demonstrate that target-aware diffusion-based synthetic data augmentation provides a promising and effective approach for improving domain generalization in computational pathology.
• Abstract（参考訳）: 計算病理学におけるディープラーニングモデルは、ドメインシフトのため、コホートや機関をまたいだ一般化に失敗することが多い。 既存のアプローチでは、対象ドメインからラベル付けされていないデータを利用できないか、イメージからイメージへの変換に依存しているため、組織構造を歪め、モデルの精度を損なうことができる。 本研究では,ソースおよびターゲットドメインからラベル付けされていないデータに基づいてトレーニングされた潜時拡散モデルを用いて,形態保存およびターゲット認識合成画像を生成する半教師付きドメイン適応(SSDA)フレームワークを提案する。 基礎モデルの特徴,コホートアイデンティティ,組織調製の拡散モデルを用いて,ターゲットドメインの外観特性を導入しながら,ソースドメイン内の組織構造を保存する。 その後、ターゲット認識合成画像とソースコホートからのラベル付き実画像を組み合わせて下流分類器を訓練し、ターゲットコホート上でテストする。 肺腺癌予後におけるSSDAフレームワークの有効性について検討した。 提案手法は, ソースコホート性能を低下させることなく, 目標コホートからのホールドアウト試験セットの性能を著しく向上させることができた。 アプローチでは、目標コホートホールトアウトテストセットの重み付きF1スコアを0.611から0.706に、マクロF1スコアを0.641から0.716に改善した。 この結果から, 対象適応型拡散型合成データ拡張は, 計算病理学における領域一般化を改善する上で, 有望かつ効果的なアプローチであることが示された。

関連論文リスト

• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• Diffuse-UDA: Addressing Unsupervised Domain Adaptation in Medical Image Segmentation with Appearance and Structure Aligned Diffusion Models [31.006056670998852]
  3次元医用画像におけるvoxelレベルのアノテーションの欠如と複雑さは重要な課題である。 この格差は、医療における人工知能アルゴリズムの公平性に影響を与える。 医用画像セグメンテーションにおけるUnsupervised Domain Adaptation(UDA)に取り組むために拡散モデルを利用した新しい手法であるDiffuse-UDAを紹介する。
  論文  参考訳（メタデータ） (2024-08-12T08:21:04Z)
• Model Inversion Attacks Through Target-Specific Conditional Diffusion Models [54.69008212790426]
  モデル反転攻撃(MIA)は、ターゲット分類器のトレーニングセットからプライベートイメージを再構築することを目的としており、それによってAIアプリケーションにおけるプライバシー上の懸念が高まる。 従来のGANベースのMIAは、GANの固有の欠陥と潜伏空間における最適化の偏りにより、劣った遺伝子的忠実度に悩まされる傾向にある。 これらの問題を緩和するために拡散モデル反転(Diff-MI)攻撃を提案する。
  論文  参考訳（メタデータ） (2024-07-16T06:38:49Z)
• An Organism Starts with a Single Pix-Cell: A Neural Cellular Diffusion for High-Resolution Image Synthesis [8.01395073111961]
  我々は、GeCA(Generative Cellular Automata)と呼ばれる新しいモデルのファミリーを紹介する。 GeCAは2つの画像モダリティ(Fundus and Optical Coherence Tomography, OCT)にまたがる網膜疾患分類の効果的な拡張ツールとして評価される データが不足し,クラス分布が本質的に歪んでいるOCT画像の文脈では,GeCAは11種類の眼科領域の性能を著しく向上させる。
  論文  参考訳（メタデータ） (2024-07-03T11:26:09Z)
• Domain-Adaptive Learning: Unsupervised Adaptation for Histology Images with Improved Loss Function Combination [3.004632712148892]
  本稿では,H&E染色組織像を対象とした非教師なし領域適応(UDA)のための新しいアプローチを提案する。 本手法では, 組織像に特有の課題に対処するために, 慎重に選択された既存の損失関数とともに, 新たな損失関数を提案する。 提案手法は, 組織像の最先端技術を超え, 精度, 堅牢性, 一般化の面で広く評価されている。
  論文  参考訳（メタデータ） (2023-09-29T12:11:16Z)
• ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
  大腸内視鏡検査は臨床診断や治療に不可欠である。 注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。 本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
  論文  参考訳（メタデータ） (2023-09-03T07:55:46Z)
• Consistency Regularization for Generalizable Source-free Domain Adaptation [62.654883736925456]
  ソースフリードメイン適応(source-free domain adapt, SFDA)は、ソースデータセットにアクセスすることなく、十分にトレーニングされたソースモデルを未学習のターゲットドメインに適応することを目的としている。 既存のSFDAメソッドは、ターゲットのトレーニングセット上で適用されたモデルを評価し、目に見えないが同一の分散テストセットからデータを無視する。 より一般化可能なSFDA法を開発するための整合正則化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-03T07:45:53Z)
• Distill-SODA: Distilling Self-Supervised Vision Transformer for Source-Free Open-Set Domain Adaptation in Computational Pathology [12.828728138651266]
  スライド画像全体から手動の組織タイピングを減らすためには,計算病理モデルの開発が不可欠である。 本稿では,上記の課題に対処して,オープンソースフリーなオープンセットドメイン適応という現実的な設定を提案する。 提案手法は,事前学習したソースモデルをラベルなしのターゲットデータセットに適応させることに重点を置いている。
  論文  参考訳（メタデータ） (2023-07-10T14:36:51Z)
• Improving Mitosis Detection Via UNet-based Adversarial Domain Homogenizer [1.7298084639157258]
  本稿では,入力画像の対角的再構成による組織像の領域差を軽減するため,有糸分裂検出のためのドメインホモジェナイザを提案する。 我々は,前処理した画像間の領域差の低減を観察することにより,ドメインホモジェナイザの有効性を示す。 このホモジェナイザーと後続の網膜-網状物体検出器を用いて、検出されたミオティックな図形の平均精度で2021 MIDOGチャレンジのベースラインを上回りました。
  論文  参考訳（メタデータ） (2022-09-15T11:15:57Z)

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。