論文の概要: Geometry-Aware State Space Model: A New Paradigm for Whole-Slide Image Representation

• arxiv url: http://arxiv.org/abs/2605.05164v1
• Date: Wed, 06 May 2026 17:33:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.964418
• Title: Geometry-Aware State Space Model: A New Paradigm for Whole-Slide Image Representation
• Title（参考訳）: 幾何学的状態空間モデル:全スライド画像表現のための新しいパラダイム
• Authors: Enhui Chai, Sicheng Chen, Tianyi Zhang, Chad Wong, Kecheng Huang, Zeyu Liu, Fei Xia,
• Abstract要約: 全スライド画像(WSI)は、組織標本をギガピクセル解像度でデジタル化する。 現在の方法では、パッチ表現を同質ユークリッド空間に暗黙的に埋め込む。 双対幾何学空間にWSI特徴を埋め込むハイブリッド双曲型ユークリッド表現を導入する。
• 参考スコア（独自算出の注目度）: 8.483387656208363
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate analysis of histopathological images is critical for disease diagnosis and treatment planning. Whole-slide images (WSIs), which digitize tissue specimens at gigapixel resolution, are fundamental to this process but require aggregating thousands of patches for slide-level predictions. Multiple Instance Learning (MIL) tackles this challenge with a two-stage paradigm, decoupling tile-level embedding and slide-level prediction. However, most existing methods implicitly embed patch representations in homogeneous Euclidean spaces, overlooking the hierarchical organization and regional heterogeneity of pathological tissues. This limits current models' ability to capture global tissue architecture and fine-grained cellular morphology. To address this limitation, we introduce a hybrid hyperbolic-Euclidean representation that embeds WSI features in dual geometric spaces, enabling complementary modeling of hierarchical tissue structures and local morphological details. Building on this formulation, we develop BatMIL, a WSI classification framework that leverages both geometric spaces. To model long-range dependencies among thousands of patches, we employ a structured state space sequence model (S4) backbone that encodes patch sequences with linear computational complexity. Furthermore, to account for regional heterogeneity, we introduce a chunk-level mixture-of-experts (MoE) module that groups patches into regions and dynamically routes them to specialized subnetworks, improving representational capacity while reducing redundant computation. Extensive experiments on seven WSI datasets spanning six cancer types demonstrate that BatMIL consistently outperforms state-of-the-art MIL approaches in slide-level classification tasks. These results indicate that geometry-aware representation learning offers a promising direction for next-generation computational pathology.
• Abstract（参考訳）: 病理組織像の正確な解析は、疾患の診断と治療計画に重要である。 ギガピクセル解像度で組織標本をデジタル化するWSI(Whole-Slide Image)は、このプロセスの基本であるが、スライドレベルの予測には数千のパッチを集約する必要がある。 マルチインスタンス学習(MIL)は、タイルレベルの埋め込みとスライドレベルの予測を分離して、2段階のパラダイムでこの問題に取り組む。 しかし、既存のほとんどの手法は、均質ユークリッド空間にパッチ表現を暗黙に埋め込んで、階層構造と病理組織の局所的不均一性を見下ろしている。 これにより、現在のモデルでは、グローバルな組織構造と微細な細胞形態を捉える能力が制限される。 この制限に対処するために、二元的幾何学空間にWSI特徴を埋め込んだハイブリッド双曲型双曲型双曲型ユークリッド表現を導入し、階層構造と局所形態の相補的モデリングを可能にする。 この定式化に基づいて、両方の幾何学的空間を利用するWSI分類フレームワークであるBatMILを開発した。 数千のパッチ間の長距離依存関係をモデル化するために、線形計算複雑性を持つパッチシーケンスを符号化する構造化状態空間シーケンスモデル(S4)のバックボーンを用いる。 さらに, 局所的不均一性を考慮するため, パッチを領域にグループ化し, 動的に特定サブネットワークにルーティングし, 冗長計算を低減し, 表現能力を向上させたチャンクレベルのMix-of-Experts (MoE) モジュールを導入する。 6つのがんタイプにまたがる7つのWSIデータセットに対する大規模な実験により、BatMILはスライドレベルの分類タスクにおいて、最先端のMILアプローチを一貫して上回っていることが示された。 これらの結果は,幾何学的認識型表現学習が次世代の計算病理学に有望な方向性をもたらすことを示唆している。

関連論文リスト

• Hierarchical Mesh Transformers with Topology-Guided Pretraining for Morphometric Analysis of Brain Structures [7.663406601980095]
  ヘテロジニアスメッシュ解析のための階層型トランスフォーマーフレームワークを提案する。 特徴投影モジュールは、頂点ごとの可変長臨床記述子を空間階層にマッピングする。 我々は、ADNIの体積脳メッシュを用いたアルツハイマー病の分類とアミロイド負荷予測、およびMELDデータセットによる皮質表面メッシュの局所皮質異形成の検出に対するアプローチを検証した。
  論文  参考訳（メタデータ） (2026-04-06T22:27:36Z)
• Jigsaw Regularization in Whole-Slide Image Classification [0.0]
  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。
  論文  参考訳（メタデータ） (2026-03-20T18:04:25Z)
• 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)
• HiFusion: Hierarchical Intra-Spot Alignment and Regional Context Fusion for Spatial Gene Expression Prediction from Histopathology [7.982889842329205]
  HiFusionは、2つの補完的なコンポーネントを統合する新しいディープラーニングフレームワークである。 HiFusionは,2次元のスライドワイドクロスバリデーションと,より困難な3次元サンプル固有シナリオの両面において,最先端のパフォーマンスを実現する。 これらの結果は、定期的な病理組織学からのST推論の堅牢で正確でスケーラブルな解としてのHiFusionの可能性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-11-17T04:47:39Z)
• 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)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• 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)
• 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)

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。