論文の概要: Region-Affinity Attention for Whole-Slide Breast Cancer Classification in Deep Ultraviolet Imaging
- arxiv url: http://arxiv.org/abs/2604.17222v1
- Date: Sun, 19 Apr 2026 03:04:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-21 21:52:52.40166
- Title: Region-Affinity Attention for Whole-Slide Breast Cancer Classification in Deep Ultraviolet Imaging
- Title（参考訳）: 深部紫外線画像における全スライディング乳癌の領域親和性の検討
- Authors: Nagur Shareef Shaik, Teja Krishna Cherukuri, Dong Hye Ye,
- Abstract要約: 本研究は, DUV-WSI乳癌分類に適した新しい領域親和性注意機構を提案する。
提案手法の精度は92.67 +/- 0.73%,AUCは95.97%であり,既存の注意法よりも優れていた。
- 参考スコア（独自算出の注目度）: 3.1912286225194877
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Breast cancer diagnosis demands rapid and precise tools, yet traditional histopathological methods often fall short in intra-operative settings. Deep Ultraviolet (DUV) fluorescence imaging emerges as a transformative approach, offering high-contrast, label-free visualization of whole-slide images (WSIs) with unprecedented detail, surpassing conventional hematoxylin and eosin (H&E) staining in speed and resolution. However, existing deep learning methods for breast cancer classification, predominantly patch-based, fragment spatial context and incur significant preprocessing overhead, limiting their clinical utility. Moreover, standard attention mechanisms, such as Spatial, Squeeze-and-Excitation, Global Context and Guided Context Gating, fail to fully exploit the rich, multi-scale regional relationships inherent in DUV-WSI data, often prioritizing generic feature recalibration over diagnostic specificity. This study introduces a novel Region-Affinity Attention mechanism tailored for DUV-WSI breast cancer classification, processing entire slides without patching to preserve spatial integrity. By modeling local neighbor distances and constructing a full affinity matrix, our method dynamically highlights diagnostically relevant regions, augmented by a contrastive loss to enhance feature discriminability. Evaluated on a dataset of 136 DUV-WSI samples, our approach achieves an accuracy of 92.67 +/- 0.73% and an AUC of 95.97%, outperforming existing attention methods.
- Abstract（参考訳）: 乳癌の診断には迅速かつ正確なツールが必要であるが、従来の病理組織学的手法は術中設定では不十分であることが多い。
Deep Ultraviolet (DUV) 蛍光イメージングは、高コントラストでラベルのない、従来のヘマトキシリンおよびエオシン(H&E)染色を超越した、前例のない細部で全スライディング画像(WSI)の可視化を提供する、変換的アプローチとして出現する。
しかし、既存の乳がん分類のための深層学習手法は、主にパッチベース、断片的空間的文脈、および重要な前処理オーバーヘッドを発生させ、臨床効果を制限している。
さらに、空間、スキーゼ・アンド・エキサイクリング、グローバルコンテキスト、ガイド付きコンテキストゲーティングといった標準的な注意機構は、DUV-WSIデータに固有のリッチでマルチスケールな地域関係を完全に活用することができず、診断特異性よりも一般的な特徴調整を優先することが多い。
本研究は, DUV-WSI乳がん分類に適した新しい領域親和性注意機構を導入し, 空間的整合性を維持するために, パッチを適用せずに全スライドを処理した。
局所的な近接距離をモデル化し、完全親和性行列を構築することにより、診断関連領域を動的に強調し、特徴識別性を高めるために対照的な損失で拡張する。
136 DUV-WSI サンプルのデータセットから評価し,92.67 +/- 0.73%,AUC 95.97% の精度を達成し,既存の注意法よりも優れていた。
関連論文リスト
- Efficient endometrial carcinoma screening via cross-modal synthesis and gradient distillation [15.277910275783187]
子宮内膜癌(EC)のステージングと救命には早期の子宮内膜浸潤の検出が重要である
ここでは、ECスクリーニングにおけるデータと計算のボトルネックの両方を解決する、自動化された、高効率な2段階のディープラーニングフレームワークを提案する。
本モデルでは,99.5%の感度,97.2%の特異度,0.987の曲線以下の領域を最小計算コストで達成する。
論文 参考訳（メタデータ） (2026-02-23T13:22:25Z) - UOPSL: Unpaired OCT Predilection Sites Learning for Fundus Image Diagnosis Augmentation [47.08936359575974]
我々は,OCTから派生した空間的先行情報を用いて,捕食部位を動的に識別する新しい無ペアマルチモーダルフレームワーク UOPSL を提案する。
我々のアプローチは、拡張された病気のテキスト記述を通して、未治療の根本とOCTを橋渡しする。
28の重要カテゴリにわたる9つの多様なデータセットで実施された実験は、我々のフレームワークが既存のベンチマークを上回っていることを示している。
論文 参考訳（メタデータ） (2025-09-10T14:19:59Z) - UGPL: Uncertainty-Guided Progressive Learning for Evidence-Based Classification in Computed Tomography [0.0]
現在のアプローチでは、画像が一様に処理され、局所的な異常を検出する能力が制限される。
グローバル-ローカル分析を行う不確実性誘導型プログレッシブラーニングフレームワークであるUGPLを紹介する。
3つのCTデータセットに対する実験により、UGPLは最先端のメソッドを一貫して上回っていることが示された。
論文 参考訳（メタデータ） (2025-07-18T17:30:56Z) - Hybrid Attention Network for Accurate Breast Tumor Segmentation in Ultrasound Images [3.0040661953201475]
病変分割のためのハイブリッドアテンションベースネットワークを提案する。
提案アーキテクチャでは,エンコーダ部に事前学習したDenseNet121を組み込んで,ロバストな特徴抽出を行う。
公開データセットの実験は、我々の手法が既存のアプローチより優れていることを示した。
論文 参考訳（メタデータ） (2025-06-19T20:32:54Z) - Lightweight Relational Embedding in Task-Interpolated Few-Shot Networks for Enhanced Gastrointestinal Disease Classification [0.0]
大腸癌の検出は、患者の生存率を高めるために重要である。
大腸内視鏡は、適切な高品質の内視鏡画像を取得することに依存する。
Few-Shot Learning アーキテクチャにより、我々のモデルは、目に見えないきめ細かな内視鏡画像パターンに迅速に適応できる。
精度は90.1%,精度は0.845,リコールは0.942,F1スコアは0.891であった。
論文 参考訳（メタデータ） (2025-05-30T16:54:51Z) - Breast Cancer Classification in Deep Ultraviolet Fluorescence Images Using a Patch-Level Vision Transformer Framework [6.0791593833288085]
深紫外蛍光顕微鏡(DUV-FSM)は、摘出組織に対する全表面画像(WSI)の迅速取得を可能にする。
本研究では,パッチレベル・ビジョン・トランスフォーマー(ViT)モデルを用いたDUV WSI分類フレームワークを提案する。
総合的な5倍のクロスバリデーションは、提案手法が従来のディープラーニング手法を著しく上回り、98.33%の分類精度を達成していることを示す。
論文 参考訳（メタデータ） (2025-05-12T15:22:54Z) - Towards a Benchmark for Colorectal Cancer Segmentation in Endorectal Ultrasound Videos: Dataset and Model Development [59.74920439478643]
本稿では,多様なERUSシナリオをカバーする最初のベンチマークデータセットを収集し,注釈付けする。
ERUS-10Kデータセットは77の動画と10,000の高解像度アノテートフレームで構成されています。
本稿では,ASTR (Adaptive Sparse-context TRansformer) という大腸癌セグメンテーションのベンチマークモデルを提案する。
論文 参考訳（メタデータ） (2024-08-19T15:04:42Z) - Stain-invariant self supervised learning for histopathology image
analysis [74.98663573628743]
乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。
本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2022-11-14T18:16:36Z) - Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。
CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。
これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
論文 参考訳（メタデータ） (2020-04-22T07:30:56Z) - Spatio-spectral deep learning methods for in-vivo hyperspectral
laryngeal cancer detection [49.32653090178743]
頭頸部腫瘍の早期発見は患者の生存に不可欠である。
ハイパースペクトルイメージング(HSI)は頭頸部腫瘍の非侵襲的検出に用いられる。
HSIに基づく喉頭癌診断のための複数の深層学習手法を提案する。
論文 参考訳（メタデータ） (2020-04-21T17:07:18Z)
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。