論文の概要: Hierarchical Classification for Improved Histopathology Image Analysis
- arxiv url: http://arxiv.org/abs/2603.00504v1
- Date: Sat, 28 Feb 2026 07:01:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-03 19:50:56.232847
- Title: Hierarchical Classification for Improved Histopathology Image Analysis
- Title（参考訳）: 組織像解析における階層的分類法
- Authors: Keunho Byeon, Jinsol Song, Seong Min Hong, Yosep Chong, Jin Tae Kwak,
- Abstract要約: HiClassは、組織像解析を改善するための階層的な分類フレームワークである。
HiClassは複数のインスタンス学習アプローチに基づいて構築されており、双方向機能統合を導入して拡張している。
4粒径,14粒径の胃生検データセットを用いたHiClassの性能評価を行った。
- 参考スコア（独自算出の注目度）: 7.036962871076997
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Whole-slide image analysis is essential for diagnostic tasks in pathology, yet existing deep learning methods primarily rely on flat classification, ignoring hierarchical relationships among class labels. In this study, we propose HiClass, a hierarchical classification framework for improved histopathology image analysis, that enhances both coarse-grained and fine-grained WSI classification. Built based upon a multiple instance learning approach, HiClass extends it by introducing bidirectional feature integration that facilitates information exchange between coarse-grained and fine-grained feature representations, effectively learning hierarchical features. Moreover, we introduce tailored loss functions, including hierarchical consistency loss, intra- and inter-class distance loss, and group-wise cross-entropy loss, to further optimize hierarchical learning. We assess the performance of HiClass on a gastric biopsy dataset with 4 coarse-grained and 14 fine-grained classes, achieving superior classification performance for both coarse-grained classification and fine-grained classification. These results demonstrate the effectiveness of HiClass in improving WSI classification by capturing coarse-grained and fine-grained histopathological characteristics.
- Abstract（参考訳）: 全スライディング画像解析は病理学における診断に不可欠であるが、既存のディープラーニング手法は主にフラットな分類に依存しており、クラスラベル間の階層的関係を無視している。
本研究では,組織像解析を改良する階層型分類フレームワークであるHiClassを提案し,粗粒度と細粒度を両立させる。
複数のインスタンス学習アプローチに基づいて構築されたHiClassは、粗い粒度ときめ細かい特徴表現間の情報交換を容易にし、階層的な特徴を効果的に学習する双方向機能統合を導入することで、これを拡張している。
さらに,階層的不整合損失,クラス内およびクラス間距離損失,グループワイド・クロスエントロピー損失など,階層的学習をより最適化するための調整された損失関数を導入する。
4粒の粗粒度と14粒の微細粒度を有する胃生検データセット上でのHiClassの性能を評価し,粗粒度分類と細粒度分類の両方において優れた分類性能を実現する。
これらの結果は,粗粒度および微細粒度の組織学的特徴を捉えることで,WSI分類の改善におけるHiClassの有効性を示した。
関連論文リスト
- Balanced Hierarchical Contrastive Learning with Decoupled Queries for Fine-grained Object Detection in Remote Sensing Images [14.170021143579435]
本稿では,検出変換器(DETR)フレームワーク内の非結合学習戦略と相まって,バランスの取れた階層的コントラスト損失を提案する。
提案した損失は、学習可能なクラスプロトタイプを導入し、各階層レベルで異なるクラスが貢献する勾配を均衡させる。
階層アノテーションを用いた3つのきめ細かいデータセットの実験により、我々の手法が最先端のアプローチより優れていることが示された。
論文 参考訳（メタデータ） (2025-12-30T08:35:54Z) - hYOLO Model: Enhancing Object Classification with Hierarchical Context in YOLOv8 [0.0]
本稿では,YOLOモデルファミリ上に構築された画像の検出と分類のためのエンドツーエンド階層モデルを提案する。
モデルの階層性に合わせた,新しい階層アーキテクチャ,改良された損失関数,パフォーマンスメトリックを導入している。
論文 参考訳（メタデータ） (2025-10-27T12:39:50Z) - LayerMatch: Do Pseudo-labels Benefit All Layers? [77.59625180366115]
半教師付き学習はラベル付きデータの依存性を軽減するための有望なソリューションを提供する。
我々はGrad-ReLUとAvg-Clusteringという2つの層固有の擬似ラベル戦略を開発した。
提案手法は,標準的な半教師付き学習ベンチマークにおいて,例外的な性能を示す。
論文 参考訳（メタデータ） (2024-06-20T11:25:50Z) - TaxoKnow: Taxonomy as Prior Knowledge in the Loss Function of
Multi-class Classification [1.130757825611188]
本稿では,学習アルゴリズムの損失関数に,階層型分類を明示的正規化器として統合する2つの方法を紹介する。
階層的な分類法により、ニューラルネットワークはクラス上の出力分布を緩和し、少数クラスの上位概念を条件付けする。
論文 参考訳（メタデータ） (2023-05-24T08:08:56Z) - Learning Discriminative Representation via Metric Learning for
Imbalanced Medical Image Classification [52.94051907952536]
本稿では,特徴抽出器がより識別的な特徴表現を抽出するのを助けるために,2段階フレームワークの第1段階にメトリック学習を組み込むことを提案する。
主に3つの医用画像データセットを用いて実験したところ、提案手法は既存の1段階と2段階のアプローチより一貫して優れていた。
論文 参考訳（メタデータ） (2022-07-14T14:57:01Z) - Dynamic Sub-Cluster-Aware Network for Few-Shot Skin Disease
Classification [31.539129126161978]
本稿では,まれな皮膚疾患の診断における精度を高めるためのサブクラスタ・アウェア・ネットワーク(SCAN)という新しいアプローチを提案する。
SCANの設計を動機づける重要な洞察は、クラス内の皮膚疾患の画像が複数のサブクラスタを示すことが多いという観察である。
数発の皮膚疾患分類のための2つのパブリックデータセットに対する提案手法の評価を行った。
論文 参考訳（メタデータ） (2022-07-03T16:06:04Z) - The Overlooked Classifier in Human-Object Interaction Recognition [82.20671129356037]
クラス間の意味的相関を分類ヘッドにエンコードし,重みをHOIの言語埋め込みで初期化する。
我々は,LSE-Sign という新しい損失を,長い尾を持つデータセット上でのマルチラベル学習を強化するために提案する。
我々は,物体検出と人間のポーズを明確なマージンで求める最先端技術よりも優れた,検出不要なHOI分類を可能にする。
論文 参考訳（メタデータ） (2022-03-10T23:35:00Z) - Enhancing Fine-Grained Classification for Low Resolution Images [97.82441158440527]
低解像度画像は、限られた情報内容の固有の課題と、サブカテゴリ分類に有用な詳細の欠如に悩まされる。
本研究では,補助情報を用いて分類の識別的特徴を学習する,新たな属性支援損失を提案する。
提案する損失関数により、モデルは属性レベルの分離性を取り入れながら、クラス固有の識別特徴を学習することができる。
論文 参考訳（メタデータ） (2021-05-01T13:19:02Z) - Inducing a hierarchy for multi-class classification problems [11.58041597483471]
分類的ラベルが自然な階層に従ったアプリケーションでは、ラベル構造を利用する分類方法は、そうでないものをしばしば上回る。
本稿では,フラット分類器に対する分類性能を向上できる階層構造を誘導する手法のクラスについて検討する。
原理シミュレーションと3つの実データアプリケーションにおいて、潜入階層の発見と精度向上のためのメソッドのクラスの有効性を実証する。
論文 参考訳（メタデータ） (2021-02-20T05:40:42Z) - Theoretical Insights Into Multiclass Classification: A High-dimensional
Asymptotic View [82.80085730891126]
線形多クラス分類の最初の現代的精度解析を行う。
分析の結果,分類精度は分布に依存していることがわかった。
得られた洞察は、他の分類アルゴリズムの正確な理解の道を開くかもしれない。
論文 参考訳（メタデータ） (2020-11-16T05:17:29Z) - Revisiting LSTM Networks for Semi-Supervised Text Classification via
Mixed Objective Function [106.69643619725652]
我々は,単純なBiLSTMモデルであっても,クロスエントロピー損失でトレーニングした場合に,競争的な結果が得られるようなトレーニング戦略を開発する。
いくつかのベンチマークデータセット上で,テキスト分類タスクの最先端結果について報告する。
論文 参考訳（メタデータ） (2020-09-08T21:55:22Z)
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。