論文の概要: MB-DSMIL-CL-PL: Scalable Weakly Supervised Ovarian Cancer Subtype Classification and Localisation Using Contrastive and Prototype Learning with Frozen Patch Features

• arxiv url: http://arxiv.org/abs/2602.15138v1
• Date: Mon, 16 Feb 2026 19:33:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-18 16:03:17.884811
• Title: MB-DSMIL-CL-PL: Scalable Weakly Supervised Ovarian Cancer Subtype Classification and Localisation Using Contrastive and Prototype Learning with Frozen Patch Features
• Title（参考訳）: MB-DSMIL-CL-PL : 凍結パッチ機能付きコントラスト学習とプロトタイプ学習による卵巣癌亜型分類と局在
• Authors: Marcus Jenkins, Jasenka Mazibrada, Bogdan Leahu, Michal Mackiewicz,
• Abstract要約: 本研究では, 卵巣癌組織像の亜型分類と局所化のための新しいアプローチを提案する。 本手法は,F1得点のインスタンスレベルとスライドレベルをそれぞれ70.4%,F1得点の15.3%,AUC値の16.9%,スライドレベルを2.3%,それぞれ改善した。
• 参考スコア（独自算出の注目度）: 0.4094848360328623
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The study of histopathological subtypes is valuable for the personalisation of effective treatment strategies for ovarian cancer. However, increasing diagnostic workloads present a challenge for UK pathology departments, leading to the rise in AI approaches. While traditional approaches in this field have relied on pre-computed, frozen image features, recent advances have shifted towards end-to-end feature extraction, providing an improvement in accuracy but at the expense of significantly reduced scalability during training and time-consuming experimentation. In this paper, we propose a new approach for subtype classification and localisation in ovarian cancer histopathology images using contrastive and prototype learning with pre-computed, frozen features via feature-space augmentations. Compared to DSMIL, our method achieves an improvement of 70.4\% and 15.3\% in F1 score for instance- and slide-level classification, respectively, along with AUC gains of 16.9\% for instance localisation and 2.3\% for slide classification, while maintaining the use of frozen patch features.
• Abstract（参考訳）: 病理組織学的サブタイプの研究は卵巣癌に対する効果的な治療戦略のパーソナライズに有用である。 しかし、診断ワークロードの増加は、英国の病理部門にとって課題となり、AIアプローチの台頭につながります。 この分野での従来のアプローチは、事前に計算された凍結画像の特徴に依存してきたが、最近の進歩は、エンドツーエンドの機能抽出に移行し、精度が向上する一方で、トレーニングや時間のかかる実験においてスケーラビリティを著しく低下させる。 本稿では, 卵巣癌組織像のサブタイプ分類と局所化のための新しいアプローチを提案する。 DSMILと比較して,本手法は,F1スコアのインスタンスレベルおよびスライドレベル分類における70.4\%と15.3\%の改善を達成し,AUCゲインのインスタンスローカライゼーションでは16.9\%,スライド分類では2.3\%を達成し,凍結パッチ機能の利用を維持した。

関連論文リスト

• UGPL: Uncertainty-Guided Progressive Learning for Evidence-Based Classification in Computed Tomography [0.0]
  現在のアプローチでは、画像が一様に処理され、局所的な異常を検出する能力が制限される。 グローバル-ローカル分析を行う不確実性誘導型プログレッシブラーニングフレームワークであるUGPLを紹介する。 3つのCTデータセットに対する実験により、UGPLは最先端のメソッドを一貫して上回っていることが示された。
  論文  参考訳（メタデータ） (2025-07-18T17:30:56Z)
• Deep Learning Enabled Segmentation, Classification and Risk Assessment of Cervical Cancer [0.0]
  世界で4番目に多い女性がんの原因である頸部がんは、パパ・スミアテストによる早期発見が必要である。 本研究では,細胞の境界を区分けし,がん細胞を分離するために境界ボックスを描画することにより,焦点を絞った解析を行った。 様々な解像度とアスペクト比の画像を効果的に処理するために,新しいディープラーニングアーキテクチャであるMulti-Resolution Fusion Deep Convolutional Networkを提案した。
  論文  参考訳（メタデータ） (2025-05-21T13:25:27Z)
• Using Few-Shot Learning to Classify Primary Lung Cancer and Other Malignancy with Lung Metastasis in Cytological Imaging via Endobronchial Ultrasound Procedures [0.0]
  本研究は, 子宮内膜超音波(EBUS)における肺転移の早期発見を支援するコンピュータ支援診断システムを提案する。 細胞間の画像の制限と形態的類似性のため、肺転移の分類は困難であり、既存の研究ではこの問題を直接ターゲットとすることはめったにない。 データ不足を克服し、分類を改善するために、著者らは、きめ細かい分類とコントラスト学習を備えたハイブリッド事前学習バックボーンを用いた数ショット学習モデルを提案する。
  論文  参考訳（メタデータ） (2024-04-09T07:39:21Z)
• Semi-supervised ViT knowledge distillation network with style transfer normalization for colorectal liver metastases survival prediction [1.283897253352624]
  本稿では,H&EおよびHPSで染色した組織学的スライドを用いて,自動予後予測のためのエンドツーエンドアプローチを提案する。 まずGAN(Generative Adversarial Network)を用いてスライス正規化を行い、染色のばらつきを低減し、予測パイプラインへの入力として使用される画像の全体的な品質を向上させる。 転移性結節および周囲組織から抽出した特徴を利用して予後モデルを訓練し,同時に知識蒸留フレームワークで視覚変換器(ViT)を訓練し,予後予測の性能を再現し,向上させる。
  論文  参考訳（メタデータ） (2023-11-17T03:32:11Z)
• Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
  前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。 提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。 実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
  論文  参考訳（メタデータ） (2023-07-02T05:26:54Z)
• Efficient subtyping of ovarian cancer histopathology whole slide images using active sampling in multiple instance learning [2.038893829552157]
  マルチインスタンス学習のための識別領域アクティブサンプリング (DRAS-MIL) は、注意スコアを用いて、高度に識別された領域のサンプリングに焦点を合わせ、計算的に効率的なスライド分類法である。 DRAS-MILは,3倍のクロスバリデーションAUCの0.8679で,全スライド解析と同様の分類性能が得られることを示す。 当社のアプローチでは、GPUで評価する時間の33%を要し、CPUだけで14%しか使用していません。
  論文  参考訳（メタデータ） (2023-02-17T13:28:06Z)
• HistoPerm: A Permutation-Based View Generation Approach for Improving Histopathologic Feature Representation Learning [33.1098457952173]
  HistoPermは共同埋め込みアーキテクチャを用いた表現学習のためのビュー生成手法である。 HistoPermは、全スライディングのヒストロジー画像から抽出したパッチの増分ビューを置換し、分類性能を向上させる。 以上の結果から,HistoPermは,精度,F1スコア,AUCの点で,パッチレベルとスライドレベルの分類性能を一貫して向上させることがわかった。
  論文  参考訳（メタデータ） (2022-09-13T17:35:08Z)
• Open-Set Recognition of Breast Cancer Treatments [91.3247063132127]
  オープンセット認識は、テストサンプルをトレーニングや"未知"から既知のクラスの1つに分類することで、分類タスクを一般化する 乳がん患者データに対して,画像データセットの最先端結果を実現するガウス混合変分オートエンコーダモデルを適用した。 より正確でロバストな分類結果が得られ,F1の平均値が24.5%上昇したばかりでなく,臨床環境への展開性の観点からも,オープンセット認識の再検討を行った。
  論文  参考訳（メタデータ） (2022-01-09T04:35:55Z)
• Multi-Scale Input Strategies for Medulloblastoma Tumor Classification using Deep Transfer Learning [59.30734371401316]
  乳腺芽腫は小児で最も多い悪性脳腫瘍である。 CNNはMBサブタイプ分類に有望な結果を示した。 タイルサイズと入力戦略の影響について検討した。
  論文  参考訳（メタデータ） (2021-09-14T09:42:37Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• Open-Narrow-Synechiae Anterior Chamber Angle Classification in AS-OCT Sequences [42.60167901427091]
  本稿では,AS-OCT配列に基づくオープンナロー-シナカイACA分類のための新しいシークエンス・マルチスケールアグリゲーション・ディープ・ネットワーク(SMA-Net)を提案する。 この研究は、AS-OCT配列を用いて、ACAをオープン、狭、あるいはシナチア型に分類する最初の試みであると考えている。
  論文  参考訳（メタデータ） (2020-06-09T16:00:00Z)

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。