論文の概要: Margin-Consistent Deep Subtyping of Invasive Lung Adenocarcinoma via Perturbation Fidelity in Whole-Slide Image Analysis
- arxiv url: http://arxiv.org/abs/2603.06650v1
- Date: Fri, 27 Feb 2026 20:47:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-15 16:38:22.481328
- Title: Margin-Consistent Deep Subtyping of Invasive Lung Adenocarcinoma via Perturbation Fidelity in Whole-Slide Image Analysis
- Title（参考訳）: 全スライディング画像解析における摂動忠実度による浸潤性肺腺癌のMargin-Consistent Deep Subtyping
- Authors: Meghdad Sabouri Rad, Junze, Huang, Mohammad Mehdi Hosseini, Rakesh Choudhary, Saverio J. Carello, Ola El-Zammar, Michel R. Nasr, Bardia Rodd,
- Abstract要約: 浸潤性肺腺癌亜型に対する全スライディング画像分類は, 実際の画像摂動に対して脆弱である。
本研究では,143枚の全スライディング画像から203,226枚のパッチに対して評価したマージン整合性フレームワークを提案する。
提案手法は,Kendall相関によるトレーニング中の0.88,バリデーション時の0.64の頑健な特徴-論理空間アライメントを実現する。
- 参考スコア（独自算出の注目度）: 15.00702842825464
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Whole-slide image classification for invasive lung adenocarcinoma subtyping remains vulnerable to real-world imaging perturbations that undermine model reliability at the decision boundary. We propose a margin consistency framework evaluated on 203,226 patches from 143 whole-slide images spanning five adenocarcinoma subtypes in the BMIRDS-LUAD dataset. By combining attention-weighted patch aggregation with margin-aware training, our approach achieves robust feature-logit space alignment measured by Kendall correlations of 0.88 during training and 0.64 during validation. Contrastive regularization, while effective at improving class separation, tends to over-cluster features and suppress fine-grained morphological variation; to counteract this, we introduce Perturbation Fidelity (PF) scoring, which imposes structured perturbations through Bayesian-optimized parameters. Vision Transformer-Large achieves 95.20 +/- 4.65% accuracy, representing a 40% error reduction from the 92.00 +/- 5.36% baseline, while ResNet101 with an attention mechanism reaches 95.89 +/- 5.37% from 91.73 +/- 9.23%, a 50% error reduction. All five subtypes exceed an area under the receiver operating characteristic curve (AUC) of 0.99. On the WSSS4LUAD external benchmark, ResNet50 with an attention mechanism attains 80.1% accuracy, demonstrating cross-institutional generalizability despite approximately 15-20% domain-shift-related degradation and identifying opportunities for future adaptation research.
- Abstract（参考訳）: 浸潤性肺腺癌の亜型化のための全スライディング画像分類は、決定境界におけるモデルの信頼性を損なう実際の画像摂動に対して脆弱なままである。
BMIRDS-LUADデータセットの5つの腺癌サブタイプにまたがる143枚の全スライディング画像から,203,226個のパッチを用いたマージン一貫性フレームワークを提案する。
注意重み付きパッチアグリゲーションとマージン・アウェア・トレーニングを組み合わせることで,トレーニング中のKendall相関が0.88,バリデーション時に0.64と測定したロジット空間アライメントを実現する。
比較正則化は, クラス分離の改善に有効であるが, オーバークラスタ特性を抑え, きめ細かな形態変化を抑制する傾向があり, これに対処するために, ベイズ最適化パラメータによる構造的摂動を課する摂動忠実度(PF)スコアを導入する。
Vision Transformer-Large は 95.20 +/- 4.65% の精度を達成し、92.00 +/- 5.36% から40% の誤差削減を達成し、ResNet101 は 95.89 +/- 5.37% から 91.73 +/- 9.23% に到達した。
5つのサブタイプは全て、受信機動作特性曲線(AUC)の0.99の領域を超える。
WSSS4LUAD外部ベンチマークでは、注意機構を備えたResNet50が80.1%の精度を実現し、約15-20%のドメインシフト関連劣化と将来の適応研究の機会が証明されている。
関連論文リスト
- LAW & ORDER: Adaptive Spatial Weighting for Medical Diffusion and Segmentation [3.6879658915311997]
Learnable Adaptive Weighter (LAW) は拡散訓練のための特徴とマスクから画素当たりの損失変調を予測する。
ORDERは、効率的なセグメンテーションのために、遅延デコーダ段階で選択的双方向スキップ注意を適用する。
ポリープおよび腎腫瘍データセットの実験により、LAWは20%のFID産生改善を達成することが示された。
論文 参考訳（メタデータ） (2026-03-05T04:20:32Z) - Distilled HuBERT for Mobile Speech Emotion Recognition: A Cross-Corpus Validation Study [0.0]
音声感情認識(SER)はモバイルアプリケーションにとって大きな可能性を秘めている。
本稿では, DistilHuBERTに基づく移動効率SERシステムを提案する。
RAVDESSのクロスコーパス評価では、行動的感情の劇場的性質は、特定の感情カテゴリーではなく、覚醒レベルによって予測される。
論文 参考訳（メタデータ） (2025-12-29T12:53:39Z) - Breast Cell Segmentation Under Extreme Data Constraints: Quantum Enhancement Meets Adaptive Loss Stabilization [1.044992176213712]
我々のフレームワークは95.5%+/-0.3%のDiceスコアと91.2%+/-0.4%のIoUを599のトレーニング画像で達成している。
限られたアノテーションでパフォーマンスを飛躍的に向上させることで、データセット作成に必要な医療専門家の時間を大幅に短縮する。
論文 参考訳（メタデータ） (2025-12-02T00:45:21Z) - Hard Spatial Gating for Precision-Driven Brain Metastasis Segmentation: Addressing the Over-Segmentation Paradox in Deep Attention Networks [0.0]
本稿では,厳密な空間ゲーティング機構を用いた高精度アーキテクチャである空間ゲーティングネットワーク(SG-Net)を紹介する。
SG-Netは厳格な特徴選択を強制し、腫瘍の特徴を保持しながら、バックグラウンドアーティファクトを積極的に抑制する。
これらの結果から, 硬度空間ゲーティングは, 精度駆動型病変検出の堅牢な解決法として確立された。
論文 参考訳（メタデータ） (2025-11-27T16:41:27Z) - DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。
マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。
本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
論文 参考訳（メタデータ） (2025-10-16T07:31:21Z) - HANS-Net: Hyperbolic Convolution and Adaptive Temporal Attention for Accurate and Generalizable Liver and Tumor Segmentation in CT Imaging [2.7205074719266062]
腹部CT像における肝・腫瘍の正確なセグメンテーションは確実な診断と治療計画に重要である。
ニューラル表現とシナプティック・プラスティック・ネットワーク(HANS-Net)を用いたハイパーボリック・コンボリューションの導入
HANS-Netは、階層的幾何表現のための双曲的畳み込み、マルチスケールテクスチャ学習のためのウェーブレットインスパイアされた分解モジュール、暗黙の神経表現分岐を組み合わせた。
論文 参考訳（メタデータ） (2025-07-15T13:56:37Z) - Correcting Class Imbalances with Self-Training for Improved Universal Lesion Detection and Tagging [43.06199185109424]
CT研究におけるユニバーサル病変検出・タグング(ULDT)は,腫瘍の負担評価と経過に伴う病変の進行(成長・収縮)の追跡に重要である。
以前の研究では、DeepLesionデータセット(4,427人、研究10,594人、CTスライス32,120人、病変32,735人、体の一部のラベル8人)をアルゴリズム開発に使用していたが、このデータセットは完全に注釈付けされておらず、クラス不均衡を含んでいる。
我々は,DeepLesionの11.5%のサブセットを限定的に使用して,ULDTのための自己学習パイプラインを開発した。
論文 参考訳（メタデータ） (2025-04-07T15:57:03Z) - Patch-Level Contrasting without Patch Correspondence for Accurate and
Dense Contrastive Representation Learning [79.43940012723539]
ADCLRは、正確で高密度な視覚表現を学習するための自己教師型学習フレームワークである。
提案手法は, コントラッシブな手法のための新しい最先端性能を実現する。
論文 参考訳（メタデータ） (2023-06-23T07:38:09Z) - Corneal endothelium assessment in specular microscopy images with Fuchs'
dystrophy via deep regression of signed distance maps [48.498376125522114]
本稿では,UNetをベースとしたセグメンテーション手法を提案する。
これは、フックスのジストロフィーの全度にわたって、信頼できるCE形態計測と腸骨同定を実現する。
論文 参考訳（メタデータ） (2022-10-13T15:34:20Z) - (Certified!!) Adversarial Robustness for Free! [116.6052628829344]
逆方向の摂動が0.5の2ノルム以内であることに制約された場合,ImageNetでは71%の精度が証明された。
これらの結果は,モデルパラメータの微調整や再学習を必要とせず,事前学習した拡散モデルと画像分類器のみを用いて得られる。
論文 参考訳（メタデータ） (2022-06-21T17:27:27Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳（メタデータ） (2022-01-13T05:24:40Z)
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。