論文の概要: Deep Learning-Based Fixation Type Prediction for Quality Assurance in Digital Pathology

• arxiv url: http://arxiv.org/abs/2602.08652v1
• Date: Mon, 09 Feb 2026 13:46:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:25.251799
• Title: Deep Learning-Based Fixation Type Prediction for Quality Assurance in Digital Pathology
• Title（参考訳）: デジタル病理における品質保証のためのDeep Learning-based Fixation Type Prediction
• Authors: Oskar Thaeter, Tanja Niedermair, Johannes Raffler, Ralf Huss, Peter J. Schüffler,
• Abstract要約: 低解像度のプリスキャンサムネイル画像を用いて固定型を予測する深層学習モデルを提案する。 モデルは各スライドを21ミリ秒、400タイムで処理し、既存の高解像度のフル解像度の方法よりも高速である。 本手法は,デジタル病理の精度と効率を向上し,他の低解像度スライドアノテーションにも拡張できる可能性が示唆された。
• 参考スコア（独自算出の注目度）: 0.16636792146449117
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate annotation of fixation type is a critical step in slide preparation for pathology laboratories. However, this manual process is prone to errors, impacting downstream analyses and diagnostic accuracy. Existing methods for verifying formalin-fixed, paraffin-embedded (FFPE), and frozen section (FS) fixation types typically require full-resolution whole-slide images (WSIs), limiting scalability for high-throughput quality control. We propose a deep-learning model to predict fixation types using low-resolution, pre-scan thumbnail images. The model was trained on WSIs from the TUM Institute of Pathology (n=1,200, Leica GT450DX) and evaluated on a class-balanced subset of The Cancer Genome Atlas dataset (TCGA, n=8,800, Leica AT2), as well as on class-balanced datasets from Augsburg (n=695 [392 FFPE, 303 FS], Philips UFS) and Regensburg (n=202, 3DHISTECH P1000). Our model achieves an AUROC of 0.88 on TCGA, outperforming comparable pre-scan methods by 4.8%. It also achieves AUROCs of 0.72 on Regensburg and Augsburg slides, underscoring challenges related to scanner-induced domain shifts. Furthermore, the model processes each slide in 21 ms, $400\times$ faster than existing high-magnification, full-resolution methods, enabling rapid, high-throughput processing. This approach provides an efficient solution for detecting labelling errors without relying on high-magnification scans, offering a valuable tool for quality control in high-throughput pathology workflows. Future work will improve and evaluate the model's generalisation to additional scanner types. Our findings suggest that this method can increase accuracy and efficiency in digital pathology workflows and may be extended to other low-resolution slide annotations.
• Abstract（参考訳）: 固定型の正確なアノテーションは、病理検査室のスライド作成における重要なステップである。 しかし、この手作業はエラーを起こしやすく、下流の分析と診断精度に影響を及ぼす。 ホルマリン固定、パラフィン埋め込み(FFPE)、凍結部分固定(FS)の既存の手法は、通常、高スループット品質制御のためのスケーラビリティを制限する完全な全スライディング画像(WSI)を必要とする。 低解像度のプリスキャンサムネイル画像を用いて固定型を予測する深層学習モデルを提案する。 このモデルは、TUM研究所のWSI(n=1,200, Leica GT450DX)でトレーニングされ、The Cancer Genome Atlas dataset(TCGA, n=8,800, Leica AT2)のクラスバランスのサブセットと、Augsburg(n=695[392 FFPE, 303 FS], Philips UFS)とRegensburg(n=202, 3DHISTECH P1000)のクラスバランスのデータセットで評価された。 提案モデルでは,TCGAで0.88のAUROCを達成し,これと同等の事前スキャン手法を4.8%上回った。 また、レーゲンスブルクとアウクスブルクのスライドで0.72のAUROCを達成し、スキャナが引き起こしたドメインシフトに関する課題を浮き彫りにした。 さらに、モデルでは、各スライドを21ms、400\times$で処理し、既存の高解像度のフル解像度の手法よりも高速に処理し、高速で高スループットの処理を可能にする。 このアプローチは、高精細度スキャンに頼ることなくラベリングエラーを検出するための効率的なソリューションを提供し、高スループットの病理ワークフローにおける品質管理のための貴重なツールを提供する。 今後の作業は、追加のスキャナータイプへのモデルの一般化を改善し、評価する予定である。 本手法は,デジタル病理ワークフローの精度と効率を向上し,他の低解像度スライドアノテーションにも拡張できる可能性が示唆された。

関連論文リスト

• DeepAf: One-Shot Spatiospectral Auto-Focus Model for Digital Pathology [37.648157065553185]
  本稿ではDeepAfを利用した新しい自動顕微鏡システムを提案する。 DeepAfは、単一ショットフォーカス予測のためのハイブリッドアーキテクチャを通じて、空間的特徴とスペクトル的特徴を組み合わせる。 システムはがんの分類において4倍で0.90AUCを達成するが、これは通常の20倍WSIスキャンよりも低い倍率で重要な成果である。
  論文  参考訳（メタデータ） (2025-10-06T19:28:08Z)
• Predicting Diabetic Retinopathy Using a Two-Level Ensemble Model [0.6445605125467574]
  糖尿病網膜症は、高齢者の視覚障害の主要な原因である。 画像ベースのAIツールは、早期検出の限界を示している。 実験結果を用いたDR予測のための非画像ベース2レベルアンサンブルモデルを提案する。
  論文  参考訳（メタデータ） (2025-10-01T16:19:57Z)
• HistoART: Histopathology Artifact Detection and Reporting Tool [37.31105955164019]
  ワイルスライドイメージング(WSI)は、組織標本の詳細な高分解能検査のために広く用いられている。 WSIは、スライドの準備とスキャンの間に導入されたアーティファクトに弱いままです。 本稿では,WSIに対する3つのロバストなアーティファクト検出手法を提案し,比較する。
  論文  参考訳（メタデータ） (2025-06-23T17:22:19Z)
• A deep learning framework for efficient pathology image analysis [0.0]
  本稿では,情報領域を選択的に解析することで病理学者をエミュレートするフレームワークであるEagleを紹介する。 スライドを2.27秒で処理し、既存のモデルと比較して計算時間を99%以上削減する。 堅牢で解釈可能なアウトプットを提供し、高速なスライド検索、マルチオミクスパイプラインへの統合、新たな臨床基盤モデルをサポートする。
  論文  参考訳（メタデータ） (2025-02-18T16:45:01Z)
• KaLDeX: Kalman Filter based Linear Deformable Cross Attention for Retina Vessel Segmentation [46.57880203321858]
  カルマンフィルタを用いた線形変形型クロスアテンション(LDCA)モジュールを用いた血管セグメンテーションのための新しいネットワーク(KaLDeX)を提案する。 我々のアプローチは、カルマンフィルタ(KF)ベースの線形変形可能な畳み込み(LD)とクロスアテンション(CA)モジュールの2つの重要なコンポーネントに基づいている。 提案手法は,網膜基底画像データセット(DRIVE,CHASE_BD1,STARE)とOCTA-500データセットの3mm,6mmを用いて評価した。
  論文  参考訳（メタデータ） (2024-10-28T16:00:42Z)
• Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
  本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。 提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
  論文  参考訳（メタデータ） (2022-12-14T06:04:18Z)
• An Efficient End-to-End Deep Neural Network for Interstitial Lung Disease Recognition and Classification [0.5424799109837065]
  本稿では、IDDパターンを分類するためのエンドツーエンドのディープ畳み込みニューラルネットワーク(CNN)を提案する。 提案モデルでは,カーネルサイズが異なる4つの畳み込み層と,Rectified Linear Unit (ReLU) アクティベーション機能を備える。 128のCTスキャンと5つのクラスからなる21328の画像パッチからなるデータセットを用いて、提案モデルのトレーニングと評価を行う。
  論文  参考訳（メタデータ） (2022-04-21T06:36:10Z)
• Automated Prostate Cancer Diagnosis Based on Gleason Grading Using Convolutional Neural Network [12.161266795282915]
  そこで本研究では,前立腺癌(PCa)の完全分類のための畳み込みニューラルネットワーク(CNN)を用いた自動分類法を提案する。 Patch-Based Image Reconstruction (PBIR) と呼ばれるデータ拡張手法が提案され,WSIの高分解能化と多様性の向上が図られた。 対象データセットへの事前学習モデルの適応性を高めるために,分布補正モジュールを開発した。
  論文  参考訳（メタデータ） (2020-11-29T06:42:08Z)
• FocusLiteNN: High Efficiency Focus Quality Assessment for Digital Pathology [42.531674974834544]
  本稿では,ハードウェアの過剰な要求を伴わずに,知識駆動方式と同様の高速な計算を行うCNNベースのモデルを提案する。 FocusPathを使って、9つの異なる色の組織スライドを含むトレーニングデータセットを作成します。 CNNの複雑さを減らそうとする試みでは、CNNを最小レベルまで縮小しても、競争力の高いパフォーマンスを実現しているのが驚きです。
  論文  参考訳（メタデータ） (2020-07-11T20:52:01Z)
• Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant Disease Diagnosis [64.82680813427054]
  植物病は食料安全保障と作物生産に対する主要な脅威の1つである。 1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。 本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-17T09:51:30Z)

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。