論文の概要: SSMamba: A Self-Supervised Hybrid State Space Model for Pathological Image Classification

• arxiv url: http://arxiv.org/abs/2604.15711v1
• Date: Fri, 17 Apr 2026 05:32:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.749259
• Title: SSMamba: A Self-Supervised Hybrid State Space Model for Pathological Image Classification
• Title（参考訳）: SSMamba: 病理画像分類のための自己監督型ハイブリッド状態空間モデル
• Authors: Enhui Chai, Sicheng Chen, Tianyi Zhang, Xingyu Li, Tianxiang Cui,
• Abstract要約: SSMambaは、大規模な外部データセットに頼ることなく、効果的なきめ細かい機能学習を可能にするハイブリッドSSLフレームワークである。 SSMambaは10の公開ROIデータセットで11の最先端の病理的FMを上回り、6の公開WSIデータセットで8のSOTAメソッドを上回ります。
• 参考スコア（独自算出の注目度）: 21.197869098405416
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pathological diagnosis is highly reliant on image analysis, where Regions of Interest (ROIs) serve as the primary basis for diagnostic evidence, while whole-slide image (WSI)-level tasks primarily capture aggregated patterns. To extract these critical morphological features, ROI-level Foundation Models (FMs) based on Vision Transformers (ViTs) and large-scale self-supervised learning (SSL) have been widely adopted. However, three core limitations remain in their application to ROI analysis: (1) cross-magnification domain shift, as fixed-scale pretraining hinders adaptation to diverse clinical settings; (2) inadequate local-global relationship modeling, wherein the ViT backbone of FMs suffers from high computational overhead and imprecise local characterization; (3) insufficient fine-grained sensitivity, as traditional self-attention mechanisms tend to overlook subtle diagnostic cues. To address these challenges, we propose SSMamba, a hybrid SSL framework that enables effective fine-grained feature learning without relying on large external datasets. This framework incorporates three domain-adaptive components: Mamba Masked Image Modeling (MAMIM) for mitigating domain shift, a Directional Multi-scale (DMS) module for balanced local-global modeling, and a Local Perception Residual (LPR) module for enhanced fine-grained sensitivity. Employing a two-stage pipeline, SSL pretraining on target ROI datasets followed by supervised fine-tuning (SFT), SSMamba outperforms 11 state-of-the-art (SOTA) pathological FMs on 10 public ROI datasets and surpasses 8 SOTA methods on 6 public WSI datasets. These results validate the superiority of task-specific architectural designs for pathological image analysis.
• Abstract（参考訳）: 病理診断は画像解析に大きく依存しており、関心領域(ROI)が診断証拠の主要な基盤となり、全体スライド画像(WSI)レベルのタスクは、主に集約されたパターンをキャプチャする。 これらの重要な形態的特徴を抽出するために、ビジョントランスフォーマー(ViT)に基づくROIレベル基礎モデル(FM)と大規模自己教師型学習(SSL)が広く採用されている。 しかし, ROI分析への応用には, 1) 固定スケール事前訓練による領域シフトが, 多様な臨床環境への適応を妨げること, (2) FMのViTバックボーンが高い計算オーバーヘッドと不正確な局所的特徴に悩まされていること, (3) 従来の自己注意機構が微妙な診断方法を見落としてしまうこと, といった3つの限界がある。 これらの課題に対処するために、大規模な外部データセットに頼ることなく、効果的なきめ細かい機能学習を可能にするハイブリッドSSLフレームワークであるSSMambaを提案する。 このフレームワークには、ドメインシフトを緩和するためのMamba Masked Image Modeling (MAMIM)、バランスの取れたローカル・グローバル・モデリングのためのDirectional Multi-scale (DMS)モジュール、微粒化感度を高めるためのLocal Perception Residual (LPR)モジュールの3つのドメイン適応型コンポーネントが含まれている。 2段階のパイプラインを使用して、ターゲットのROIデータセットでSSLを事前トレーニングし、監視された微調整(SFT)を行い、SSMambaは10の公開ROIデータセットで11の最先端(SOTA)病理的FMを上回り、6つのパブリックWSIデータセットで8のSOTAメソッドを上回ります。 これらの結果は、病理画像解析におけるタスク固有のアーキテクチャ設計の優位性を検証する。

関連論文リスト

• A Hybrid Architecture for Benign-Malignant Classification of Mammography ROIs [7.489722641968593]
  本稿では,ローカル特徴抽出のためのEfficientNetV2-Mと,効率的なグローバルコンテキストモデリングのためのVision Mambaを組み合わせたハイブリッドアーキテクチャを提案する。 強いCNNバックボーンと線形複雑配列モデルを組み合わせることで、強い病変レベルの分類性能を実現する。
  論文  参考訳（メタデータ） (2026-04-14T08:28:21Z)
• CARE: A Molecular-Guided Foundation Model with Adaptive Region Modeling for Whole Slide Image Analysis [23.45449218534003]
  本稿では, 画像全体を形態学的に関連のある領域に自動的に分割する病理基盤モデルであるCross-Modal Adaptive Region (CARE)を提案する。 通常主流の基盤モデルで使用される事前トレーニングデータのわずか10分の1に基づいて、CAREは33のダウンストリームベンチマークでより優れた平均性能を達成する。
  論文  参考訳（メタデータ） (2026-02-25T07:01:54Z)
• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• X-VMamba: Explainable Vision Mamba [0.0]
  State Space Models (SSM) は、シーケンスモデリングのためのTransformerの強力な代替品として登場した。 本稿では,入力シーケンスの異なる部分(トークンやパッチ)がSSMの内部状態にどのように影響するかを定量化する,可制御性に基づく解釈可能性フレームワークを提案する。 我々のフレームワークは、すべてのドメインにわたるSSMの統一的で基礎的な解釈可能性パラダイムとして、制御可能性分析を確立します。
  論文  参考訳（メタデータ） (2025-11-16T17:18:12Z)
• HybridMamba: A Dual-domain Mamba for 3D Medical Image Segmentation [12.595264673714025]
  Mambaは、CNN固有の長距離依存関係をモデリングする際の制限に対処する上で、優れたパフォーマンスを示している。 二重補完機構を用いたアーキテクチャであるHybridMambaを提案する。 MRIおよびCTデータセットの実験により、HybridMambaは3次元医用画像のセグメンテーションにおいて最先端の手法を大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2025-09-18T04:32:49Z)
• SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion Classification Using 3D Multi-Phase Imaging [59.78761085714715]
  本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。 提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。 科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
  論文  参考訳（メタデータ） (2024-02-27T06:32:56Z)
• A self-supervised framework for learning whole slide representations [52.774822784847565]
  我々は、全スライド画像のギガピクセルスケールの自己スーパービジョンのためのSlide Pre-trained Transformer (SPT)を提案する。 バイオメディカル・マイクロスコープ・データセットを用いて,5つの診断課題におけるSPT視覚表現のベンチマークを行った。
  論文  参考訳（メタデータ） (2024-02-09T05:05:28Z)
• Deep Implicit Statistical Shape Models for 3D Medical Image Delineation [47.78425002879612]
  解剖学的構造の3次元デライン化は、医用画像解析の基本的な目標である。 ディープラーニング以前は、解剖学的制約を課し高品質の表面を作り出す統計的形状モデルはコア技術だった。 我々は,CNNの表現力とSSMの頑健さを合体させるデライン化の新しい手法であるディープ暗黙的統計的形状モデル(DISSMs)を提案する。
  論文  参考訳（メタデータ） (2021-04-07T01:15:06Z)
• Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
  我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-14T16:50:50Z)

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。