論文の概要: Prototype Instance-semantic Disentanglement with Low-rank Regularized Subspace Clustering for WSIs Explainable Recognition

• arxiv url: http://arxiv.org/abs/2602.14501v1
• Date: Mon, 16 Feb 2026 06:33:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 16:22:50.231076
• Title: Prototype Instance-semantic Disentanglement with Low-rank Regularized Subspace Clustering for WSIs Explainable Recognition
• Title（参考訳）: WSIの説明可能な認識のための低ランク正規化部分空間クラスタリングを用いたプロトタイプインスタンス・セマンティック・ディスタングル
• Authors: Chentao Li, Pan Huang,
• Abstract要約: 低ランクな正規化サブスペースクラスタリング(PID-LRSC)を用いたエンドツーエンドのインスタンスセマンティック・アンタングルメント・フレームワークを提案する。 まず,低ランク正規化サブスペースクラスタリング(LRSC)を構築するために二次インスタンスサブスペース学習を用いる。 第2に,腫瘍と前立腺組織との密接な類似性から生じる意味的絡み合いを解消し,PIDのプロトタイプを設計するために,強化されたコントラスト学習を用いている。
• 参考スコア（独自算出の注目度）: 2.676119757647833
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The tumor region plays a key role in pathological diagnosis. Tumor tissues are highly similar to precancerous lesions and non tumor instances often greatly exceed tumor instances in whole slide images (WSIs). These issues cause instance-semantic entanglement in multi-instance learning frameworks, degrading both model representation capability and interpretability. To address this, we propose an end-to-end prototype instance semantic disentanglement framework with low-rank regularized subspace clustering, PID-LRSC, in two aspects. First, we use secondary instance subspace learning to construct low-rank regularized subspace clustering (LRSC), addressing instance entanglement caused by an excessive proportion of non tumor instances. Second, we employ enhanced contrastive learning to design prototype instance semantic disentanglement (PID), resolving semantic entanglement caused by the high similarity between tumor and precancerous tissues. We conduct extensive experiments on multicentre pathology datasets, implying that PID-LRSC outperforms other SOTA methods. Overall, PID-LRSC provides clearer instance semantics during decision-making and significantly enhances the reliability of auxiliary diagnostic outcomes.
• Abstract（参考訳）: 腫瘍領域は病理診断において重要な役割を担っている。 腫瘍組織は先天性病変と非常によく似ており、非腫瘍例はスライド画像全体(WSIs)の腫瘍例を大きく上回ることが多い。 これらの問題は、マルチインスタンス学習フレームワークにおけるインスタンス・セマンティックな絡み合いを引き起こし、モデル表現能力と解釈可能性の両方を低下させる。 そこで本研究では,低ランクな正規化サブスペースクラスタリング(PID-LRSC)を用いたエンドツーエンドのインスタンスセマンティック・ディコンタングルメントフレームワークを提案する。 まず,低ランク正規化サブスペースクラスタリング(LRSC)を構築するために二次インスタンスサブスペース学習を用いる。 第2に,腫瘍と前立腺組織との密接な類似性から生じる意味的絡み合いを解消し,PIDのプロトタイプを設計するために,強化されたコントラスト学習を用いている。 PID-LRSCは他のSOTA法よりも優れていることを示す。 全体として、PID-LRSCは、意思決定中により明確なインスタンスセマンティクスを提供し、補助的な診断結果の信頼性を大幅に向上させる。

関連論文リスト

• Multimodal Visual Surrogate Compression for Alzheimer's Disease Classification [69.87877580725768]
  MVSC(Multimodal Visual Surrogate Compression)は、大規模な3D sMRIボリュームをコンパクトな2D機能に圧縮し、適応させることを学ぶ。 MVSCには2つの重要なコンポーネントがある: テキストガイダンスの下でグローバルなクロススライスコンテキストをキャプチャするボリュームコンテキストと、テキストエンハンスでパッチワイズな方法でスライスレベルの情報を集約するAdaptive Slice Fusionモジュール。
  論文  参考訳（メタデータ） (2026-01-29T13:05:46Z)
• CECT-Mamba: a Hierarchical Contrast-enhanced-aware Model for Pancreatic Tumor Subtyping from Multi-phase CECT [14.2491883349628]
  本稿では,膵腫瘍のサブタイプを識別するために,多相CECTデータを組み合わせる自動手法を提案する。 具体的には、2つの新しい空間的および時間的サンプリングシーケンスを組み込んだ二重階層型コントラスト対応マンバモジュールを提案する。 膵管腺癌 (PDAC) と膵神経内分泌腫瘍 (PNET) の鑑別において, 270症例の社内データセットによる精度は97.4%, AUCは98.6%であった。
  論文  参考訳（メタデータ） (2025-09-16T07:48:11Z)
• Disentangled Multi-modal Learning of Histology and Transcriptomics for Cancer Characterization [30.456635152695483]
  病理組織学は、がんの診断と予後における金の標準である。 転写学と組織学を組み合わせたマルチモーダル学習は、より包括的な情報を提供する。 既存のマルチモーダルなアプローチは、本質的なマルチモーダルな不均一性、不十分なマルチスケールな統合、ペアデータへの依存によって挑戦される。
  論文  参考訳（メタデータ） (2025-08-22T15:51:33Z)
• MIRROR: Multi-Modal Pathological Self-Supervised Representation Learning via Modality Alignment and Retention [57.044719143401664]
  病理組織学と転写学は、腫瘍学の基本的なモダリティであり、疾患の形態学的および分子的側面を包含している。 モーダルアライメントと保持を両立させる新しいマルチモーダル表現学習法であるMIRRORを提案する。 がんの亜型化と生存分析のためのTCGAコホートに関する広範囲な評価は,MIRRORの優れた性能を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-03-01T07:02:30Z)
• Multi-Cohort Framework with Cohort-Aware Attention and Adversarial Mutual-Information Minimization for Whole Slide Image Classification [3.1406146587437904]
  本稿では,腫瘍の多様性を生かしたマルチコホートWSI解析手法を提案する。 我々はCohort-Aware Attentionモジュールを導入し、共有および腫瘍特異的な病理パターンのキャプチャを可能にした。 また,コホート不均衡を緩和し,偏りのない学習を促進するために,階層的なサンプルバランス戦略を開発する。
  論文  参考訳（メタデータ） (2024-09-17T12:18:00Z)
• The Whole Pathological Slide Classification via Weakly Supervised Learning [7.313528558452559]
  細胞核疾患と病理タイルの空間的相関の2つの病因を考察した。 本研究では,抽出器訓練中の汚れ分離を利用したデータ拡張手法を提案する。 次に,隣接行列を用いてタイル間の空間的関係を記述する。 これら2つのビューを統合することで,H&E染色組織像を解析するためのマルチインスタンス・フレームワークを設計した。
  論文  参考訳（メタデータ） (2023-07-12T16:14:23Z)
• PCRLv2: A Unified Visual Information Preservation Framework for Self-supervised Pre-training in Medical Image Analysis [56.63327669853693]
  本稿では,ピクセルレベルの情報を高レベルなセマンティクスに明示的にエンコードするための画素復元タスクを提案する。 また,画像理解を支援する強力なツールであるスケール情報の保存についても検討する。 提案されている統合SSLフレームワークは、さまざまなタスクで自己管理されたフレームワークを超越している。
  論文  参考訳（メタデータ） (2023-01-02T17:47:27Z)
• RMDL: Recalibrated multi-instance deep learning for whole slide gastric image classification [17.659035106500237]
  全スライド病理像は胃癌の診断において重要な役割を担っている。 最も差別的な例に基づくマルチインスタンス学習は,スライド画像診断全体において大きなメリットがある。 我々は,詳細なピクセルレベルのアノテーションを付加した胃組織像データセットを構築した。
  論文  参考訳（メタデータ） (2020-10-13T14:55:47Z)

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。