論文の概要: Domain Adaptation Without the Compute Burden for Efficient Whole Slide Image Analysis

• arxiv url: http://arxiv.org/abs/2603.15774v1
• Date: Mon, 16 Mar 2026 18:05:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-18 17:42:06.932822
• Title: Domain Adaptation Without the Compute Burden for Efficient Whole Slide Image Analysis
• Title（参考訳）: 高速全スライド画像解析のための計算バーデンのない領域適応
• Authors: Umar Marikkar, Muhammad Awais, Sara Atito,
• Abstract要約: 全スライド画像(WSI)を解析するための計算手法は、腫瘍の検出と分類において病理医を支援することによって早期診断と治療を可能にする。 WSIの極めて高い解像度は、典型的な画像解析タスクと比較してエンドツーエンドのトレーニングを非現実的にします。 ドメイン固有の事前学習において,計算コストとタスク固有性の欠如に対処するため,eWSI(EfficientWSI)を提案する。
• 参考スコア（独自算出の注目度）: 7.442298419279481
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Computational methods on analyzing Whole Slide Images (WSIs) enable early diagnosis and treatments by supporting pathologists in detection and classification of tumors. However, the extremely high resolution of WSIs makes end-to-end training impractical compared to typical image analysis tasks. To address this, most approaches use pre-trained feature extractors to obtain fixed representations of whole slides, which are then combined with Multiple Instance Learning (MIL) for downstream tasks. These feature extractors are typically pre-trained on natural image datasets such as ImageNet, which fail to capture domain-specific characteristics. Although domain-specific pre-training on histopathology data yields more relevant feature representations, it remains computationally expensive and fail to capture task-specific characteristics within the domain. To address the computational cost and lack of task-specificity in domain-specific pre-training, we propose EfficientWSI (eWSI), a careful integration of Parameter-Efficient-Fine-Tuning (PEFT) and Multiple Instance Learning (MIL) that enables end-to-end training on WSI tasks. We evaluate eWSI on seven WSI-level tasks over Camelyon16, TCGA and BRACS datasets. Our results show that eWSI when applied with ImageNet feature extractors yields strong classification performance, matching or outperforming MILs with in-domain feature extractors, alleviating the need for extensive in-domain pre-training. Furthermore, when eWSI is applied with in-domain feature extractors, it further improves classification performance in most cases, demonstrating its ability to capture task-specific information where beneficial. Our findings suggest that eWSI provides a task-targeted, computationally efficient path for WSI tasks, offering a promising direction for task-specific learning in computational pathology.
• Abstract（参考訳）: 全スライド画像(WSI)を解析するための計算手法は、腫瘍の検出と分類において病理医を支援することによって早期診断と治療を可能にする。 しかし、WSIの超高解像度化は、典型的な画像解析タスクと比較してエンドツーエンドのトレーニングを非現実的にする。 これを解決するために、ほとんどのアプローチでは、トレーニング済みの機能抽出器を使用してスライド全体の固定表現を取得し、下流タスクのためにMIL(Multiple Instance Learning)と組み合わせる。 これらの特徴抽出器は一般的に、ドメイン固有の特徴をキャプチャできないImageNetのような自然画像データセットで事前トレーニングされる。 組織学的データに基づくドメイン固有の事前トレーニングは、より関連性の高い特徴表現をもたらすが、計算コストは高く、ドメイン内のタスク固有の特徴を捉えることができない。 ドメイン固有の事前学習におけるタスク特化の計算コストと欠如に対処するため,WSIタスクのエンドツーエンドトレーニングを可能にするパラメータ-効率-Fine-Tuning(PEFT)とMultiple Instance Learning(MIL)の注意深い統合であるEfficientWSI(eWSI)を提案する。 我々は,キャメリオン16,TGA,BRACSの7つのWSIレベルのタスクに対してeWSIを評価する。 以上の結果から,ImageNet特徴抽出器にeWSIを適用した場合,MILとドメイン内特徴抽出器のマッチングや性能が向上し,ドメイン内事前学習の必要性が軽減された。 さらに、eWSIをドメイン内特徴抽出器に適用すると、ほとんどの場合の分類性能が向上し、有益なタスク固有情報をキャプチャする能力を示す。 この結果から,eWSIはWSIタスクに対して,タスク対象の効率的な経路を提供し,計算病理学におけるタスク特化学習に有望な方向を提供する可能性が示唆された。

関連論文リスト

• Adapting Segment Anything Model for Unseen Object Instance Segmentation [70.60171342436092]
  Unseen Object Instance(UOIS)は、非構造環境で動作する自律ロボットにとって不可欠である。 UOISタスクのためのデータ効率のよいソリューションであるUOIS-SAMを提案する。 UOIS-SAMは、(i)HeatmapベースのPrompt Generator(HPG)と(ii)SAMのマスクデコーダに適応する階層識別ネットワーク(HDNet)の2つの重要なコンポーネントを統合する。
  論文  参考訳（メタデータ） (2024-09-23T19:05:50Z)
• ALPS: An Auto-Labeling and Pre-training Scheme for Remote Sensing Segmentation With Segment Anything Model [32.91528641298171]
  ALPS (Automatic Labeling for Pre-training in Pre-training in Remote Sensing) という,革新的な自動ラベリングフレームワークを導入する。 我々はSegment Anything Model(SAM)を利用して、事前のアノテーションや追加のプロンプトを必要とせずに、RS画像の正確な擬似ラベルを予測する。 提案手法は,iSAIDやISPRS Potsdamなど,様々なベンチマークにおけるダウンストリームタスクの性能を向上させる。
  論文  参考訳（メタデータ） (2024-06-16T09:02:01Z)
• Efficient Visual State Space Model for Image Deblurring [99.54894198086852]
  畳み込みニューラルネットワーク(CNN)とビジョントランスフォーマー(ViT)は、画像復元において優れた性能を発揮している。 本稿では,画像のデブロアに対する簡易かつ効果的な視覚状態空間モデル(EVSSM)を提案する。 提案したEVSSMは、ベンチマークデータセットや実世界の画像に対する最先端の手法に対して好意的に機能する。
  論文  参考訳（メタデータ） (2024-05-23T09:13:36Z)
• BROW: Better featuRes fOr Whole slide image based on self-distillation [19.295596638166536]
  各種疾患の標準診断において,WSI処理が重要な要素となっている。 ほとんどのWSI関連タスクのパフォーマンスは、WSIパッチの特徴表現を抽出するバックボーンの有効性に依存します。 我々は、WSIのより良い特徴表現を抽出するための基礎モデルBROWを提案し、微調整を伴わずに下流タスクに便利に適用できることを示した。
  論文  参考訳（メタデータ） (2023-09-15T09:11:09Z)
• Task-specific Fine-tuning via Variational Information Bottleneck for Weakly-supervised Pathology Whole Slide Image Classification [10.243293283318415]
  MIL(Multiple Instance Learning)は、デジタル・パスロジー・ホール・スライド・イメージ(WSI)分類において有望な結果を示している。 本稿では,Information Bottleneck 理論を動機とした効率的な WSI 微調整フレームワークを提案する。 我々のフレームワークは、様々なWSIヘッド上の5つの病理WSIデータセットで評価される。
  論文  参考訳（メタデータ） (2023-03-15T08:41:57Z)
• AIO-P: Expanding Neural Performance Predictors Beyond Image Classification [22.743278613519152]
  アーキテクチャの例でニューラルネットワーク予測器を事前訓練するための新しいオールインワン予測器(AIO-P)を提案する。 AIO-Pは平均絶対誤差(MAE)とスピアマンランク相関(SRCC)をそれぞれ1%以下と0.5以上で達成できる。
  論文  参考訳（メタデータ） (2022-11-30T18:30:41Z)
• Improving Semi-Supervised and Domain-Adaptive Semantic Segmentation with Self-Supervised Depth Estimation [94.16816278191477]
  本稿では,セミアダプティブなセマンティックセマンティックセマンティックセグメンテーションのためのフレームワークを提案する。 ラベルのない画像シーケンスでのみ訓練された自己教師付き単眼深度推定によって強化される。 提案したモデルをCityscapesデータセット上で検証する。
  論文  参考訳（メタデータ） (2021-08-28T01:33:38Z)
• Meta-Learning with Fewer Tasks through Task Interpolation [67.03769747726666]
  現在のメタ学習アルゴリズムは多数のメタトレーニングタスクを必要としており、実際のシナリオではアクセスできない可能性がある。 タスクグラデーションを用いたメタラーニング(MLTI)により,タスクのペアをランダムにサンプリングし,対応する特徴やラベルを補間することにより,タスクを効果的に生成する。 実証的な実験では,提案する汎用MLTIフレームワークが代表的なメタ学習アルゴリズムと互換性があり,他の最先端戦略を一貫して上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-06-04T20:15:34Z)
• Shared Space Transfer Learning for analyzing multi-site fMRI data [83.41324371491774]
  マルチボクセルパターン解析(MVPA)は、タスクベース機能磁気共鳴画像(fMRI)データから予測モデルを学習する。 MVPAはよく設計された機能セットと十分なサンプルサイズで機能する。 ほとんどのfMRIデータセットはノイズが多く、高次元で、収集するのに高価で、サンプルサイズも小さい。 本稿では,新しい伝達学習手法として共有空間移動学習(SSTL)を提案する。
  論文  参考訳（メタデータ） (2020-10-24T08:50:26Z)
• iFAN: Image-Instance Full Alignment Networks for Adaptive Object Detection [48.83883375118966]
  iFANは、イメージレベルとインスタンスレベルの両方で、機能の分散を正確に調整することを目的としている。 ソースのみのベースライン上で10%以上のAPで、最先端のメソッドよりも優れています。
  論文  参考訳（メタデータ） (2020-03-09T13:27:06Z)

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。