論文の概要: Jigsaw Regularization in Whole-Slide Image Classification

• arxiv url: http://arxiv.org/abs/2603.20386v1
• Date: Fri, 20 Mar 2026 18:04:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:38.878259
• Title: Jigsaw Regularization in Whole-Slide Image Classification
• Title（参考訳）: 全スライド画像分類におけるJigsaw正規化
• Authors: So Won Jeong, Veronika Ročková,
• Abstract要約: 計算病理学では、染色組織を連続的なパッチとして配置された数十億画素を含む全スライド画像(WSI)にデジタル化する。 WSIの統計分析は、主にマルチインスタンスラーニング(MIL)による分類に焦点を当てており、スライドレベルのラベルはラベルのないパッチから推測される。 この研究は、空間認識をMILに組み込むことを目的とした最近のグラフベースの手法に基づいている。 これらの2つの特徴を組み合わせることで、乳がん、頭頸部がん、大腸癌のベンチマークデータセットに対する最先端の注意に基づくMILアプローチの分類が大幅に改善されることがわかりました。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Computational pathology involves the digitization of stained tissues into whole-slide images (WSIs) that contain billions of pixels arranged as contiguous patches. Statistical analysis of WSIs largely focuses on classification via multiple instance learning (MIL), in which slide-level labels are inferred from unlabeled patches. Most MIL methods treat patches as exchangeable, overlooking the rich spatial and topological structure that underlies tissue images. This work builds on recent graph-based methods that aim to incorporate spatial awareness into MIL. Our approach is new in two regards: (1) we deploy vision \emph{foundation-model embeddings} to incorporate local spatial structure within each patch, and (2) achieve across-patch spatial awareness using graph neural networks together with a novel {\em jigsaw regularization}. We find that a combination of these two features markedly improves classification over state-of-the-art attention-based MIL approaches on benchmark datasets in breast, head-and-neck, and colon cancer.
• Abstract（参考訳）: 計算病理学では、染色組織を連続的なパッチとして配置された数十億画素を含む全スライド画像(WSI)にデジタル化する。 WSIの統計分析は、主にマルチインスタンスラーニング(MIL)による分類に焦点を当てており、スライドレベルのラベルはラベルのないパッチから推測される。 ほとんどのMIL法はパッチを交換可能なものとして扱い、組織像の下にある豊かな空間構造と位相構造を見渡せる。 この研究は、空間認識をMILに組み込むことを目的とした最近のグラフベースの手法に基づいている。 提案手法は,(1)各パッチに局所空間構造を組み込むために視覚を配置し,(2)グラフニューラルネットワークと新しいジグソー正規化を用いた空間認識を実現する。 これらの2つの特徴を組み合わせることで、乳がん、頭頸部がん、大腸癌のベンチマークデータセットに対する最先端の注意に基づくMILアプローチの分類が大幅に改善されることがわかりました。

関連論文リスト

• A Graph-Based Framework for Interpretable Whole Slide Image Analysis [86.37618055724441]
  我々は,全スライディング画像を生物学的にインフォームドされたグラフ表現に変換するフレームワークを開発した。 我々のアプローチは、任意の格子ではなく、自然構造を尊重する組織領域からグラフノードを構築する。 がんのステージングと生存予測の課題に強いパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-03-14T20:15:04Z)
• Pathological Prior-Guided Multiple Instance Learning For Mitigating Catastrophic Forgetting in Breast Cancer Whole Slide Image Classification [50.899861205016265]
  乳癌のWSI分類における破滅的忘れを緩和する新しい枠組みであるPaGMILを提案する。 私たちのフレームワークでは、共通のMILモデルアーキテクチャに2つの重要なコンポーネントを導入しています。 複数の乳がんデータセットを対象としたPaGMILの連続学習性能の評価を行った。
  論文  参考訳（メタデータ） (2025-03-08T04:51:58Z)
• Integrative Graph-Transformer Framework for Histopathology Whole Slide Image Representation and Classification [18.16710321320098]
  デジタル病理学において、MIL(Multiple Case Learning)戦略は、弱い教師付き病理組織像全体(WSI)分類タスクにおいて広く用いられている。 既存の注意に基づくMILアプローチは、しばしば隣接する組織タイル間のコンテキスト情報や本質的な空間的関係を見落としている。 本稿では、文脈対応リレーショナル特徴とグローバルWSI表現を同時にキャプチャする統合グラフ変換フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-26T22:31:05Z)
• 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)
• Active Learning Enhances Classification of Histopathology Whole Slide Images with Attention-based Multiple Instance Learning [48.02011627390706]
  我々は、注意に基づくMILをトレーニングし、データセット内の各画像に対する信頼度を算出し、専門家のアノテーションに対して最も不確実なWSIを選択する。 新たな注意誘導損失により、各クラスにアノテートされた領域がほとんどない、トレーニングされたモデルの精度が向上する。 将来的には、病理組織学における癌分類の臨床的に関連する文脈において、MILモデルのトレーニングに重要な貢献をする可能性がある。
  論文  参考訳（メタデータ） (2023-03-02T15:18:58Z)
• Hierarchical Transformer for Survival Prediction Using Multimodality Whole Slide Images and Genomics [63.76637479503006]
  下流タスクのためのギガピクセルレベルのスライド病理画像(WSI)の良質な表現を学習することが重要である。 本稿では,病理画像と対応する遺伝子間の階層的マッピングを学習する階層型マルチモーダルトランスフォーマーフレームワークを提案する。 より優れたWSI表現能力を維持しながら、ベンチマーク手法と比較してGPUリソースが少ないアーキテクチャです。
  論文  参考訳（メタデータ） (2022-11-29T23:47:56Z)
• Cross-scale Attention Guided Multi-instance Learning for Crohn's Disease Diagnosis with Pathological Images [22.98849180654734]
  MIL(Multi-Instance Learning)は、コンピュータ支援による病的全スライド画像(WSI)の解釈に広く用いられている。 我々は、クローン病(CD)のための単一のMILネットワークにスケール間相互作用を明示的に集約する新しいクロススケールアテンション機構を提案する。 提案手法は,ベースラインモデルと比較して,AUCスコア0.8924で優れたエリアを達成できた。
  論文  参考訳（メタデータ） (2022-08-15T16:39:34Z)
• Sparse convolutional context-aware multiple instance learning for whole slide image classification [7.18791111462057]
  スライドのスライド全体は、診断を導く組織と、多くの疾患に対する治療の選択に関する多くの手がかりを示している。 この問題を解決するために、MIL(Multiple Case Learning)は、スライドイメージ全体ではなくパッチのバッグを分類する。 提案手法は,sparse-input convolutional-based mil戦略によるパッチの空間情報の統合によるパラダイムシフトを示す。
  論文  参考訳（メタデータ） (2021-05-06T14:46:09Z)
• Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
  本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。 まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。 次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
  論文  参考訳（メタデータ） (2021-03-25T09:31:41Z)

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。