論文の概要: Aligning Cellular Sheaves with Classifier Attention for Interpretable Weakly-Supervised Pathology Localization

• arxiv url: http://arxiv.org/abs/2606.00092v1
• Date: Sun, 24 May 2026 18:37:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:27.881736
• Title: Aligning Cellular Sheaves with Classifier Attention for Interpretable Weakly-Supervised Pathology Localization
• Title（参考訳）: 診断用分類器を留置した細胞シーブの適応
• Authors: Devansh Lalwani, Swapnil Bhat, Maulik Shah,
• Abstract要約: 注目に基づく複数インスタンス学習を用いた全スライディング画像の弱教師付き分類は、Camelyon16スライドレベルの性能でほぼ飽和状態に達する。 臨床的解釈では、実際の病変を撃たずに正しく分類するモデルは信頼できない。 細胞シーブを全スライディング画像上の弱教師付き腫瘍局在に応用し, せん断不一致フィールドとAMMILを併用した。
• 参考スコア（独自算出の注目度）: 0.17475946318830873
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Weakly-supervised classification of whole-slide images with attention-based multiple instance learning (ABMIL) on top of foundation features now reaches near-saturation on Camelyon16 slide-level performance, but the corresponding attention maps are an imperfect localization signal: in clinical interpretation, a model that classifies correctly without firing on the actual lesion is hard to trust. We address this gap with cellular sheaves, which equip each vertex and edge of a graph with a finite-dimensional vector space and consistent linear maps between them, providing a principled way to detect local disagreement on graph-structured data. We apply cellular sheaves to weakly-supervised tumour localization on whole-slide images, combining a sheaf disagreement field with ABMIL. The natural training objective, encouraging consistency between similar features, produces a disagreement field that tracks tissue-level texture rather than diagnostic content. We propose attention-conditional consistency, which uses the classifier's attention to define which neighbouring patches should agree. Joint training of the classifier and the sheaf under this objective produces a disagreement field with patch-level AUC 0.940 on Camelyon16 and raises the attention head from its ABMIL-alone level of 0.717 to 0.953. Two-stage ablation with the classifier frozen at its ABMIL values reaches only 0.727 on the disagreement field and leaves attention at 0.717, confirming that the gain comes from the projector co-adapting under both objectives, not from the loss change in isolation. The trained model transfers without retraining to annotated slides from Camelyon17, maintaining Delta AUC 0.932 +/- 0.083 and attention AUC 0.955 +/- 0.099. The result is an attention map and a sheaf-disagreement map that fire on the same diagnostic regions, giving clinicians two complementary explanations for each slide-level prediction.
• Abstract（参考訳）: ファウンデーション機能の上にアテンションベースのマルチインスタンス学習(ABMIL)を用いた全スライディング画像の弱い教師付き分類は、現在、Camelyon16のスライドレベルのパフォーマンスでほぼ飽和しているが、対応するアテンションマップは不完全なローカライゼーション信号である:臨床解釈では、実際の病変を発射することなく正しく分類するモデルは信頼できない。 グラフの各頂点と辺に有限次元ベクトル空間とそれらの間の一貫した線形写像を持たせ、グラフ構造データの局所的不一致を検出する原理的な方法を与える。 細胞シーブを全スライディング画像上の弱教師付き腫瘍局在に応用し, せん断不一致フィールドとAMMILを併用した。 類似した特徴間の一貫性を奨励する自然な訓練目的は、診断内容ではなく、組織レベルのテクスチャを追跡する不一致の場を生み出す。 注意条件整合性について提案し,どのパッチが一致すべきかを分類器の注意を用いて定義する。 この目的の下で分類器とシーフの共同訓練は、カメリオン16でパッチレベルのAUC 0.940と不一致フィールドを生成し、ABMIL-aloneレベル0.717から0.953に注意を向ける。 ABMIL値で凍結された分類器による2段階のアブレーションは、不一致領域でわずか0.727に達し、注視は0.717に留まる。 訓練されたモデルはキャメリオン17からの注釈付きスライドに再訓練することなく転送され、デルタAUC 0.932 +/- 0.083とAUC 0.955 +/- 0.099が維持された。 その結果、同一の診断領域で発火する注意マップと棚分類マップが、臨床医にスライドレベルの予測について2つの相補的な説明を与えている。

関連論文リスト

• HADS-Net:A Hybrid Attention-Augmented Dual-Stream Network with Physics-Informed Augmentation for Breast Ultrasound Image Classification [0.04999814847776097]
  HADS-Netはハイブリッドアテンション拡張デュアルストリームネットワークである。 グローバルなテクスチャと2つの平行な経路を通して局所的な境界線を利用する。 精度は96.58%、マクロOC-AUCは0.9978、マクロF1は0.9654、クラスF1スコアは0.970、0.951、0.976である。
  論文  参考訳（メタデータ） (2026-05-19T22:16:24Z)
• Magnification-Invariant Image Classification via Domain Generalization and Stable Sparse Embedding Signatures [0.0]
  マグニフィケーションシフトは、あるスケールで訓練されたモデルが、しばしば他のスケールにあまり一般化しないため、頑健な病理組織学分類の大きな障害である。 本研究では, 厳密な患者分離型Let-one-magnification-outプロトコルを用いて, BreaKHisデータセット上でこの問題を評価した。
  論文  参考訳（メタデータ） (2026-04-28T16:26:14Z)
• A Unified Framework for Joint Detection of Lacunes and Enlarged Perivascular Spaces [3.9313804276175506]
  脳小血管疾患(CSVD)マーカー,特にEPVSとlacunaeは,医用画像解析においてユニークな課題である。 本稿では,Zero-Gated CrossTask Attention が高密度EPVSコンテキストを利用してスパースラグーン検出を誘導する形態分離フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-04T16:30:46Z)
• Latent Sculpting for Zero-Shot Generalization: A Manifold Learning Approach to Out-of-Distribution Anomaly Detection [2.8547732086436306]
  教師付きディープラーニングの基本的限界は「一般化崩壊」である 階層型2段階表現学習フレームワークであるLatent Sculptingを提案する。 我々は「浸潤」のシナリオについて88.89%の検知率を報告した。
  論文  参考訳（メタデータ） (2025-12-19T11:37:02Z)
• Hide-and-Seek Attribution: Weakly Supervised Segmentation of Vertebral Metastases in CT [68.09387763135236]
  脊椎レベルの健康・悪性のラベルにのみ、病変マスクを伴わずに訓練を施した弱い指導方法を提案する。 マスクの監視がないにも関わらず,強い爆発・解析性能を達成する。
  論文  参考訳（メタデータ） (2025-12-07T14:03:28Z)
• Enhancing CLIP Robustness via Cross-Modality Alignment [54.01929554563447]
  視覚言語モデルのための最適なトランスポートベースフレームワークであるクロスモダリティアライメントを提案する。 COLAは、グローバルな画像テキストアライメントと特徴空間における局所的な構造的一貫性を復元する。 COLAはトレーニングフリーで、既存の微調整モデルと互換性がある。
  論文  参考訳（メタデータ） (2025-10-28T03:47:44Z)
• Mix, Align, Distil: Reliable Cross-Domain Atypical Mitosis Classification [5.484561603970499]
  MIDOG 2025 Task 2におけるドメイン・ロバストAMF分類のための簡単なトレーニング・タイム・レシピを提案する。 提案手法の精度は0.8762、感度は0.8873、特異性は0.8651、ROC AUCは0.9499である。
  論文  参考訳（メタデータ） (2025-08-28T13:04:55Z)
• Crane: Context-Guided Prompt Learning and Attention Refinement for Zero-Shot Anomaly Detection [50.343419243749054]
  異常検出は、医学診断や工業的欠陥検出などの分野において重要である。 CLIPの粗粒化画像テキストアライメントは、微粒化異常に対する局所化と検出性能を制限する。 クレーンは最先端のZSADを2%から28%に改善し、画像レベルとピクセルレベルの両方で、推論速度では競争力を維持している。
  論文  参考訳（メタデータ） (2025-04-15T10:42:25Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Corneal endothelium assessment in specular microscopy images with Fuchs' dystrophy via deep regression of signed distance maps [48.498376125522114]
  本稿では,UNetをベースとしたセグメンテーション手法を提案する。 これは、フックスのジストロフィーの全度にわたって、信頼できるCE形態計測と腸骨同定を実現する。
  論文  参考訳（メタデータ） (2022-10-13T15:34:20Z)
• High-Order Information Matters: Learning Relation and Topology for Occluded Person Re-Identification [84.43394420267794]
  本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。 我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-03-18T12:18:35Z)

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。