論文の概要: PC-MIL: Decoupling Feature Resolution from Supervision Scale in Whole-Slide Learning

• arxiv url: http://arxiv.org/abs/2604.12100v1
• Date: Mon, 13 Apr 2026 22:19:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 19:11:32.141971
• Title: PC-MIL: Decoupling Feature Resolution from Supervision Scale in Whole-Slide Learning
• Title（参考訳）: PC-MIL:全スライディング学習におけるスーパービジョンスケールからの特徴分解能の分離
• Authors: Syed Fahim Ahmed, Gnanesh Rasineni, Florian Koehler, Abu Zahid Bin Aziz, Mei Wang, Attila Gyulassy, Brian Summa, J. Quincy Brown, Valerio Pascucci, Shireen Y. Elhabian,
• Abstract要約: 計算病理学におけるWSI(Whole-Slide Image)分類は、一般に1つのグローバルバッグ表現を持つスライドレベル多重インスタンス学習(MIL)として定式化されている。 本稿では,一級設計次元として空間的監督範囲を扱うフレームワークであるProgressive-Context MIL(PC-MIL)を提案する。
• 参考スコア（独自算出の注目度）: 15.567271338271032
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Whole-slide image (WSI) classification in computational pathology is commonly formulated as slide-level Multiple Instance Learning (MIL) with a single global bag representation. However, slide-level MIL is fundamentally underconstrained: optimizing only global labels encourages models to aggregate features without learning anatomically meaningful localization. This creates a mismatch between the scale of supervision and the scale of clinical reasoning. Clinicians assess tumor burden, focal lesions, and architectural patterns within millimeter-scale regions, whereas standard MIL is trained only to predict whether "somewhere in the slide there is cancer." As a result, the model's inductive bias effectively erases anatomical structure. We propose Progressive-Context MIL (PC-MIL), a framework that treats the spatial extent of supervision as a first-class design dimension. Rather than altering magnification, patch size, or introducing pixel-level segmentation, we decouple feature resolution from supervision scale. Using fixed 20x features, we vary MIL bag extent in millimeter units and anchor supervision at a clinically motivated 2mm scale to preserve comparable tumor burden and avoid confounding scale with lesion density. PC-MIL progressively mixes slide- and region-level supervision in controlled proportions, enabling explicit train-context x test-context analysis. On 1,476 prostate WSIs from five public datasets for binary cancer detection, we show that anatomical context is an independent axis of generalization in MIL, orthogonal to feature resolution: modest regional supervision improves cross-context performance, and balanced multi-context training stabilizes accuracy across slide and regional evaluation without sacrificing global performance. These results demonstrate that supervision extent shapes MIL inductive bias and support anatomically grounded WSI generalization.
• Abstract（参考訳）: 計算病理学におけるWSI(Whole-Slide Image)分類は、一般に1つのグローバルバッグ表現を持つスライドレベル多重インスタンス学習(MIL)として定式化されている。 グローバルラベルのみを最適化することで、解剖学的に意味のあるローカライゼーションを学習することなく、モデルを集約することが可能になる。 これにより、監督のスケールと臨床推論のスケールのミスマッチが生じる。 臨床医は、ミリスケール領域内の腫瘍の負担、焦点病変、建築パターンを評価する一方、標準的なMILは「スライドのどこかにがんがある」かどうかを予測するためにのみ訓練される。 その結果、モデル誘導バイアスは解剖学的構造を効果的に消去する。 本稿では,一級設計次元として空間的監督範囲を扱うフレームワークであるProgressive-Context MIL(PC-MIL)を提案する。 倍率やパッチサイズを変更したり、ピクセルレベルのセグメンテーションを導入するのではなく、特徴分解能を監督スケールから切り離す。 固定20xの特徴により,MIL袋の幅はミリ単位,アンカー管理は2mmスケールで変化し,腫瘍の負担を同等に抑え,病変密度との相関を回避した。 PC-MILは、制御された比率でスライドレベルとリージョンレベルの監督を段階的に混合し、明示的なトレインコンテキストxテストコンテキスト分析を可能にする。 バイナリがん検出のための5つの公開データセットの1,476個の前立腺WSIにおいて、解剖学的文脈は、MILにおける一般化の独立した軸であり、直交 - 特徴分解: 適度な地域監督は、クロスコンテキスト性能を改善し、バランスの取れたマルチコンテキストトレーニングは、グローバルパフォーマンスを犠牲にすることなく、スライドと地域評価の精度を安定化させる。 これらの結果から, 監視範囲はMIL誘導バイアスを形成し, 解剖学的基盤となるWSI一般化を支援することが示唆された。

関連論文リスト

• OmniCT: Towards a Unified Slice-Volume LVLM for Comprehensive CT Analysis [53.01523944168442]
  臨床解釈はスライス駆動の局所特徴と体積駆動の空間表現の両方に依存している。 既存のLVLM(Large Vision-Language Models)は、CTスライスとボリューム理解で断片化されている。 我々は,CTシナリオのための強力な統合スライスボリュームLVLMであるOmniCTを提案する。
  論文  参考訳（メタデータ） (2026-02-18T00:42:41Z)
• WSD-MIL: Window Scale Decay Multiple Instance Learning for Whole Slide Image Classification [2.760935655675299]
  ウィンドウスケール崩壊MIL (WSD-MIL) は、様々なスケールの腫瘍領域をモデル化する能力を高めるために設計された。 WSD-MIL は CAMELYON16 と TCGA-BRCA のデータセット上での最先端のパフォーマンスを実現し、計算メモリの 62% を削減した。
  論文  参考訳（メタデータ） (2025-12-23T02:10:24Z)
• 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)
• MamMIL: Multiple Instance Learning for Whole Slide Images with State Space Models [56.37780601189795]
  本稿では,WSI分析のためのフレームワークMamMILを提案する。 私たちは各WSIを非指向グラフとして表現します。 マンバが1次元シーケンスしか処理できない問題に対処するために、トポロジ対応の走査機構を提案する。
  論文  参考訳（メタデータ） (2024-03-08T09:02:13Z)
• S3M: Scalable Statistical Shape Modeling through Unsupervised Correspondences [91.48841778012782]
  本研究では,集団解剖学における局所的および大域的形状構造を同時に学習するための教師なし手法を提案する。 我々のパイプラインは、ベースライン法と比較して、SSMの教師なし対応推定を大幅に改善する。 我々の手法は、ノイズの多いニューラルネットワーク予測から学ぶのに十分堅牢であり、より大きな患者にSSMを拡張できる可能性がある。
  論文  参考訳（メタデータ） (2023-04-15T09:39:52Z)
• 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)
• Attention2Minority: A salient instance inference-based multiple instance learning for classifying small lesions in whole slide images [0.0]
  本稿では、WSI分類のための弱教師付きMILモデルであるSiliMIL(SiliMIL)を提案する。 実験の結果,SiiMILは腫瘍のインスタンスを正確に同定でき,WSIの1%以下しか検出できないことが示唆された。
  論文  参考訳（メタデータ） (2023-01-18T18:42:59Z)
• 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)
• Local Attention Graph-based Transformer for Multi-target Genetic Alteration Prediction [0.22940141855172028]
  MIL(LA-MIL)のための汎用ローカルアテンショングラフを用いたトランスフォーマを提案する。 LA-MILは消化器癌に対する突然変異予測において最先端の結果が得られることを実証した。 これは、局所的な自己保持がグローバルモジュールと同等の依存性を十分にモデル化していることを示唆している。
  論文  参考訳（メタデータ） (2022-05-13T14:24:24Z)
• Learning Inductive Attention Guidance for Partially Supervised Pancreatic Ductal Adenocarcinoma Prediction [73.96902906734522]
  膵管腺癌(PDAC)は、アメリカ合衆国で3番目に多いがん死の原因である。 本稿では,全てのトレーニングデータに対して安価な画像レベルのアノテーションが提供され,それらのサブセットに対してのみ,コストのかかるvoxelアノテーションが利用可能となる,部分教師付き設定について考察する。 Inductive Attention Guidance Network (IAG-Net) を提案し、通常の/PDAC分類のためのグローバル画像レベルの分類器と半教師付きPDAC分類のためのローカルボクセルレベルの分類器を共同で学習する。
  論文  参考訳（メタデータ） (2021-05-31T08:16:09Z)

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。