論文の概要: CRISP -- Clustering-Based Redundancy-Reduced Instance Sampling for Pathology Case Representation and Retrieval

• arxiv url: http://arxiv.org/abs/2605.24253v1
• Date: Fri, 22 May 2026 22:06:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:17.832011
• Title: CRISP -- Clustering-Based Redundancy-Reduced Instance Sampling for Pathology Case Representation and Retrieval
• Title（参考訳）: CRISP -- クラスタリングに基づく冗長性推論による病理ケースの表現と検索のためのインスタンスサンプリング
• Authors: Zahra Rahimi Afzal, Wataru Uegami, Saghir Alfasly, Saba Yasir, Judy C. Boughey, Matthew P. Goetz, Krishna R. Kalari, H. R. Tizhoosh,
• Abstract要約: デジタル病理アーカイブは、ケースごとに複数の全スライド画像(WSI)を格納するようになっている。 既存のアプローチのほとんどは、単一の病理学者が選択したスライドに依存しており、潜在的に有意義な証拠を排除している。 ここでは、ケースレベル解析のための教師なしのフレームワークを紹介し、ケース内で利用可能なすべてのスライドからの情報を統合する。
• 参考スコア（独自算出の注目度）: 1.7506184519252217
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Digital pathology archives increasingly contain multiple whole-slide images (WSIs) per case, capturing spatially distinct tumour regions and reflecting intrinsic morphological heterogeneity. However, most existing approaches rely on a single pathologist-selected slide, thereby discarding potentially informative evidence distributed across the remaining WSIs. To date, no autonomous framework has been proposed for comprehensive multi-WSI case processing. Here, we present an unsupervised framework for case-level analysis that integrates information from all available slides within a case. Rather than relying on a single designated slide, the proposed approach constructs case-level representations by selectively distilling informative patches across WSIs. We introduce Clustering-Based Redundancy-Reduced Instance Sampling for Pathology (CRISP), a two-stage framework that first reduces redundancy within individual WSIs and subsequently applies clustering-based sampling to select a compact yet representative set of patches for the entire case. The resulting patch set captures case-level heterogeneity while avoiding exhaustive processing of gigapixel images, and directly serves as a retrieval index. Using two Mayo Clinic breast cancer datasets for diagnosis and treatment planning, we demonstrate that CRISP consistently matches or surpasses the current standard practice of combined model and pathologist slide selection for patient/case search and retrieval. By automating case-level processing and eliminating subjective WSI selection, CRISP potentially enables the exploitation of clinically relevant information distributed across multiple WSIs that is currently overlooked.
• Abstract（参考訳）: デジタル病理アーカイブは、ケースごとに複数の全スライディング画像(WSI)を含んでおり、空間的に異なる腫瘍領域を捉え、固有の形態的不均一性を反映している。 しかし、既存のほとんどのアプローチは、単一の病理学者が選択したスライドに依存しているため、残りのWSIに分散した潜在的に有意義な証拠を破棄する。 これまで、包括的なマルチWSIケース処理のための自律的なフレームワークは提案されていない。 ここでは、ケースレベル解析のための教師なしのフレームワークを紹介し、ケース内で利用可能なすべてのスライドからの情報を統合する。 提案手法は,1つの指定されたスライドに頼るのではなく,WSIにまたがる情報的パッチを選択的に蒸留することにより,ケースレベルの表現を構築する。 これは、まず個々のWSI内の冗長性を減らし、その後クラスタリングベースのサンプリングを適用して、ケース全体に対するコンパクトで代表的なパッチセットを選択する2段階のフレームワークである。 得られたパッチセットは、ギガピクセル画像の徹底的な処理を回避しつつケースレベルの不均一性をキャプチャし、直接検索インデックスとして機能する。 診断と治療計画のための2つのマヨクリニック乳がんデータセットを用いて、CRISPは患者・症例検索と検索のためのモデルと病理医のスライド選択の標準的実践と一致または相容れないことを実証した。 ケースレベルの処理の自動化と主観的なWSI選択の排除により、CRISPは、現在見落とされている複数のWSIに分散した臨床関連情報の活用を可能にする可能性がある。

関連論文リスト

• WSI-INR: Implicit Neural Representations for Lesion Segmentation in Whole-Slide Images [18.13897875757054]
  完全スライディング画像(WSI)は, 臨床診断において, 正確な病変分割が重要である計算病理学の根幹である。 既存の方法はWSIを個別のパッチに分割し、空間的連続性を妨害し、多解像度ビューを独立したサンプルとして扱う。 Inlicit Neural Representation (INR) に基づくパッチフリーフレームワーク WSI-INR を提案する。 WSI-INRは、WSIを組織意味論的な特徴に直接空間座標をマッピングする連続的な暗黙関数としてモデル化し、スライド全体にわたって固有の空間情報を保存しながらセグメンテーション結果を出力する。
  論文  参考訳（メタデータ） (2026-03-04T05:41:53Z)
• CLAPS: A CLIP-Unified Auto-Prompt Segmentation for Multi-Modal Retinal Imaging [47.04292769940597]
  CLIP統合オートプロンプト(CLAPS)は,網膜イメージングにおける様々なタスクとモダリティをまたいだセグメンテーションを統一する新しい手法である。 私たちのアプローチは、CLIPベースの画像エンコーダを、大規模なマルチモーダル網膜データセット上で事前トレーニングすることから始まります。 タスクを統一し、曖昧さを解消するために、各画像のモダリティに固有の「モダリティシグネチャ」を付加したテキストプロンプトを使用する。
  論文  参考訳（メタデータ） (2025-09-10T14:14:49Z)
• 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)
• ALFA -- Leveraging All Levels of Feature Abstraction for Enhancing the Generalization of Histopathology Image Classification Across Unseen Hospitals [2.8443044931144845]
  本研究では, 画像分類の一般化性の向上を目標とし, 機能抽象化のレベルをすべて活用する包括的手法を提案する。 本手法では, テキストタスクとして機能する病理組織学シナリオにおいて, 共通の分布変化を伴う拡張ベースの自己スーパービジョンを取り入れた。
  論文  参考訳（メタデータ） (2023-08-07T22:39:44Z)
• 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)
• Learning Self-Supervised Low-Rank Network for Single-Stage Weakly and Semi-Supervised Semantic Segmentation [119.009033745244]
  本稿では,単一段階弱教師付きセマンティックセマンティックセマンティックセマンティクス(WSSS)と半教師付きセマンティクスセマンティクスセマンティクス(SSSS)のための自己教師付き低ランクネットワーク(SLRNet)を提案する。 SLRNetは、画像の異なるビューから複数の注意深いLR表現を同時に予測し、正確な擬似ラベルを学習する。 Pascal VOC 2012、COCO、L2IDデータセットの実験では、SLRNetは最先端のWSSSメソッドとSSSSメソッドの両方で、さまざまな設定で優れています。
  論文  参考訳（メタデータ） (2022-03-19T09:19:55Z)
• Modality Completion via Gaussian Process Prior Variational Autoencoders for Multi-Modal Glioma Segmentation [75.58395328700821]
  本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。 MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。 4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
  論文  参考訳（メタデータ） (2021-07-07T19:06:34Z)
• Classifying Breast Histopathology Images with a Ductal Instance-Oriented Pipeline [10.605775819074886]
  ダクトレベルセグナーは、顕微鏡画像内で各ダクトの個人を識別しようとする。 その後、特定されたダクタルインスタンスから組織レベルの情報を抽出します。 提案されたDIOPは、推論時間で実行するのに数秒しかかからない。
  論文  参考訳（メタデータ） (2020-12-11T05:43:12Z)
• Co-Heterogeneous and Adaptive Segmentation from Multi-Source and Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion Segmentation [48.504790189796836]
  我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。 本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。 CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
  論文  参考訳（メタデータ） (2020-05-27T06:58:39Z)

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。