論文の概要: Hierarchical Prototype-based Domain Priors for Multiple Instance Learning in Multimodal Histopathology Analysis

• arxiv url: http://arxiv.org/abs/2604.23982v1
• Date: Mon, 27 Apr 2026 02:51:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.709168
• Title: Hierarchical Prototype-based Domain Priors for Multiple Instance Learning in Multimodal Histopathology Analysis
• Title（参考訳）: 階層型プロトタイプドメインによるマルチモーダル病理組織解析におけるマルチインスタンス学習
• Authors: Xuemei Qiu, Dawei Fan, Yebin Huang, Yanping Chen, Lifang Wei,
• Abstract要約: デジタル病理学は、ギガピクセル全スライド画像(WSI)の計算解析を可能にし、診断を根本的に変えた 関節病理診断と予後診断のための統合的マルチモーダルアプローチである階層型プロトタイプベースドメインプライオリティフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 4.767529995968428
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Digital pathology has fundamentally altered diagnostic workflows by enabling the computational analysis of gigapixel Whole Slide Images (WSIs), yet effectively deciphering their complex tumor microenvironments remains a formidable challenge. Existing Multiple Instance Learning (MIL) frameworks typically treat Whole Slide Images as unstructured bags of patches, discarding critical morphological semantics and spatial geometry. This lack of inductive bias often leads to overfitting on background noise and fails to align visual features with high-level diagnostic knowledge. To overcome these limitations, we propose the Hierarchical Prototype-based Domain Priors (HPDP) framework, a unified multimodal approach for joint histopathology diagnosis and prognosis. HPDP mitigates the data-driven "black box" issue by introducing a Morphologically Anchored Prototype System (MAPS), which anchors learning to interpretable morphological clusters, and a Sinusoidal Positional Encoder (SPE) to explicitly model tissue architecture. Furthermore, we bridge the semantic gap via a Hierarchical Cross-Modal Alignment (HCMA) module, using Large Language Model (LLM)-generated descriptions to contextually refine visual representations. Extensive experiments across seven cancer cohorts demonstrate that HPDP consistently achieves state-of-the-art performance with superior robustness and interpretability.
• Abstract（参考訳）: デジタル病理学は、ギガピクセル全スライド画像(WSI)の計算解析を可能にすることによって、診断のワークフローを根本的に変えてきたが、複雑な腫瘍の微小環境を効果的に解読することは、依然として困難な課題である。 既存のMIL(Multiple Instance Learning)フレームワークは、通常、全体スライドイメージをパッチの非構造化バッグとして扱い、重要な形態的意味論と空間幾何学を捨てる。 この帰納バイアスの欠如は、しばしば背景雑音に過度に適合し、視覚的特徴と高いレベルの診断知識の整合に失敗する。 これらの制約を克服するために,関節病理診断と予後の統一的マルチモーダルアプローチである階層型プロトタイプベースドメインプライオリティ(HPDP)フレームワークを提案する。 HPDPは、組織構造を明示的にモデル化する正弦波位置エンコーダ(SPE)と、形態的クラスタの解釈に学習を固定するMorphologically Anchored Prototype System(MAPS)を導入することで、データ駆動の「ブラックボックス」問題を緩和する。 さらに,Large Language Model (LLM) の生成した記述を用いて,階層的クロスモーダルアライメント (HCMA) モジュールを通じて意味ギャップをブリッジし,視覚的表現を文脈的に洗練する。 7つのがんコホートにまたがる広範囲な実験により、HPDPは高い堅牢性と解釈可能性を持つ最先端のパフォーマンスを一貫して達成していることが示された。

関連論文リスト

• Layout-Guided Controllable Pathology Image Generation with In-Context Diffusion Transformers [57.54843029965778]
  制御可能な病理画像合成には、空間配置、組織形態、意味的詳細の信頼できる規制が必要である。 In-Context Diffusion Transformer (IC-DiT) は,空間レイアウト,テキスト記述,視覚的埋め込みを統合拡散変換器に組み込んだレイアウト認識生成モデルである。 IC-DiTは既存の方法よりも忠実度が高く、空間制御性が強く、診断の整合性が良くなる。
  論文  参考訳（メタデータ） (2026-03-11T06:14:11Z)
• 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)
• Integrating Multi-scale and Multi-filtration Topological Features for Medical Image Classification [20.820287362872975]
  ディープニューラルネットワークは、医用画像分類において顕著な性能を示している。 マルチスケールおよびマルチフィルタ型永続的なトポロジ特徴を抽出する新しいトポロジ誘導型分類フレームワークを提案する。 我々のアプローチは、複雑な解剖学的構造を認識するためのモデルの能力を高める。
  論文  参考訳（メタデータ） (2025-12-08T06:02:02Z)
• Multimodal Prototype Alignment for Semi-supervised Pathology Image Segmentation [9.790130257265217]
  MPAMatchは,マルチモーダルプロトタイプ誘導監視パラダイムの下で画素レベルのコントラスト学習を行う,新たなセグメンテーションフレームワークである。 MPAMatchの中核的な革新は、画像プロトタイプとピクセルラベル、およびテキストプロトタイプとピクセルラベルの間の二重コントラスト学習方式にある。 さらに,ViTバックボーンを病理予知基盤モデル(Uni)に置き換えることで,古典的セグメンテーションアーキテクチャ(TransUNet)を再構築する。
  論文  参考訳（メタデータ） (2025-08-27T05:15:13Z)
• Large Language Model Evaluated Stand-alone Attention-Assisted Graph Neural Network with Spatial and Structural Information Interaction for Precise Endoscopic Image Segmentation [16.773882069530426]
  本研究では,空間グラフと構造グラフを融合したFOCUS-Medを提案する。 FOCUS-Medは、Dual Graph Convolutional Network (Dual-GCN)モジュールを統合し、コンテキスト空間および位相構造上の依存関係をキャプチャする。 公開ベンチマークの実験では、FOCUS-Medが5つの主要な指標で最先端のパフォーマンスを達成した。
  論文  参考訳（メタデータ） (2025-08-09T15:53:19Z)
• Multimodal Causal-Driven Representation Learning for Generalizable Medical Image Segmentation [56.52520416420957]
  医用画像セグメンテーションにおける領域一般化に取り組むために, MCDRL(Multimodal Causal-Driven Representation Learning)を提案する。 MCDRLは競合する手法より一貫して優れ、セグメンテーション精度が優れ、堅牢な一般化性を示す。
  論文  参考訳（メタデータ） (2025-08-07T03:41:41Z)
• CPathAgent: An Agent-based Foundation Model for Interpretable High-Resolution Pathology Image Analysis Mimicking Pathologists' Diagnostic Logic [23.488576700623966]
  我々は、病理医の診断ワークフローを模倣する革新的なエージェントベースのアプローチであるCPathAgentを紹介する。 我々は、パッチレベル、リージョンレベル、WSIレベルの機能を単一のモデルに統合するマルチステージトレーニング戦略を開発します。 PathMMU-HR2は、大規模領域分析のための最初のエキスパート検証ベンチマークである。
  論文  参考訳（メタデータ） (2025-05-26T20:22:19Z)
• PathSegDiff: Pathology Segmentation using Diffusion model representations [63.20694440934692]
  そこで我々は,Latent Diffusion Models (LDMs) を事前学習した特徴抽出器として活用する,病理組織像分割の新しい手法であるPathSegDiffを提案する。 本手法は,H&E染色組織像から多彩な意味情報を抽出するために,自己教師型エンコーダによって誘導される病理特異的LCMを用いる。 本実験は,BCSSおよびGlaSデータセットにおける従来の手法よりも大幅に改善されたことを示す。
  論文  参考訳（メタデータ） (2025-04-09T14:58:21Z)
• MIRROR: Multi-Modal Pathological Self-Supervised Representation Learning via Modality Alignment and Retention [57.044719143401664]
  病理組織学と転写学は、腫瘍学の基本的なモダリティであり、疾患の形態学的および分子的側面を包含している。 モーダルアライメントと保持を両立させる新しいマルチモーダル表現学習法であるMIRRORを提案する。 がんの亜型化と生存分析のためのTCGAコホートに関する広範囲な評価は,MIRRORの優れた性能を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-03-01T07:02:30Z)
• 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)

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。