論文の概要: Mitosis Detection in the Wild: Multi-Tumor and Context-Aware Generalization in the MIDOG 2025 Challenge

• arxiv url: http://arxiv.org/abs/2606.07368v1
• Date: Fri, 05 Jun 2026 15:11:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.811116
• Title: Mitosis Detection in the Wild: Multi-Tumor and Context-Aware Generalization in the MIDOG 2025 Challenge
• Title（参考訳）: 野生におけるミトコンドリア検出:MIDOG 2025チャレンジにおけるマルチモデルとコンテキスト認識の一般化
• Authors: Marc Aubreville, Jonas Ammeling, Sweta Banerjee, Viktoria Weiss, Taryn A. Donovan, Robert Klopfleisch, Jiaqi Lv, Shan E Ahmed Raza, Raphaël Bourgade, Thomas Walter, Yasemin Topuz, Songül Varlı, Charles-Antoine Collins-Fekete, Zhuoyan Shen, Navya Sri Kelam, Nitin Singhal, Christian Marzahl, Brian Napora, Tengyou Xu, Hongyan Gu, Mario Vento, Gennaro Percannella, Norbert Ropiak, Izabela Wasiak, Jie Xiao, Shaojun Liu, Seungho Choe, April Khademi, Vidushi Walia, Sujatha Kotte, Andrew Broad, Alex Wright, Guillaume Balezo, Esha Sadia Nasir, Mostafa Jahanifar, Yosuke Yamagishi, Shouhei Hanaoka, Mattia Sarno, Francesco Tortorella, Biwen Meng, Jingxin Liu, Sara Krauss, Daniel Hieber, Lavish Ramchandani, Dev Kumar Das, Mieko Ochi, Yuan Bae, Piotr Giedziun, Mateusz Maniewski, Vangala Govindakrishnan Saipradeep, Naveen Sivadasan, Leire Benito-Del-Valle, Adrian Galdran, Kaustubh Atey, Sameer Anand Jha, Adinath Dukre, Imran Razzak, Maxime W. Lafarge, Viktor H. Koelzer, Nils Porsche, Nikolas Stathonikos, Mitko Veta, Dominik Hirling, Zsanett Zsófia Iván, Peter Horvath, Katharina Breininger, Christof A. Bertram,
• Abstract要約: Mitosis DOmain Generalization (MIDOG) 2025は、前例のない生物学的および文脈的多様性のアルゴリズム性能を評価するために設計された。 対象は,12種類のヒト,イヌ,ネコの365例であった。 AMF検出トラックでは, 最大0.908まで精度のバランスが取れた21項目を提出した。
• 参考スコア（独自算出の注目度）: 19.002373977515607
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automated mitosis detection is a well-established task in computational pathology. While previous benchmarks focused on scanner-induced domain shift, clinical "real-world" application requires models to be robust across the vast variance to be expected in the histological landscape. The MItosis DOmain Generalization (MIDOG) 2025 challenge was designed to evaluate algorithmic performance across unprecedented biological and contextual diversity. We curated a test dataset of 365 cases, encompassing 12 distinct human, canine and feline tumor types, digitized across multiple scanning platforms. Moving beyond hand-selected hotspots, the challenge required detection also in random tissue areas (representative of the whole slide detection situation) and challenging areas (areas rich in hard negatives). In the second track, we introduced the classification of atypical mitotic figures (AMFs). There were 18 teams submitting to the detection track, with F1 scores ranging up to 0.740. In the AMF detection track, we had 21 submissions with balanced accuracy values up to 0.908. Our analysis reveals that while most models perform reliably in traditional hotspots, significant performance degradation occurs in challenging ROIs, where false positive rates tripled. Furthermore, performance varied significantly across the 12 tumor types, highlighting "blind spots" in current state-of-the-art architectures when encountering rare or highly pleomorphic malignancies. Moreover, we evaluated the effectiveness of ensembling and found a mean increases of 1.5 and 1.3 percentage points in F1 score and balanced accuracy, respectively. In contrast, TTA showed no relevant improvement. MIDOG 2025 demonstrates that "in the wild" mitosis detection remains a significant hurdle. The transition from hotspot-only evaluation to a multi-contextual framework provides a more realistic proxy for clinical reliability.
• Abstract（参考訳）: 分裂自動検出は、計算病理学において確立された課題である。 以前のベンチマークではスキャナによるドメインシフトに焦点が当てられていたが、臨床の"現実世界"の応用では、組織学的景観において期待される大きな分散をまたいでモデルを堅牢にする必要がある。 Mitosis DOmain Generalization (MIDOG) 2025 チャレンジは、前例のない生物学的および文脈的多様性のアルゴリズム性能を評価するために設計された。 対象は,12種類のヒト,イヌ,ネコの腫瘍で,複数のスキャンプラットフォームに分散した365例であった。 手作業で選択したホットスポットを超えて、ランダムな組織領域(スライド検出状況全体を表す)やチャレンジ領域(ハードネガティブに富んでいる)も検出する必要がある。 第2トラックでは,非典型的ミオティックフィギュア (AMF) の分類を導入した。 検出トラックには18チームが参加し、スコアは0.740まで変化した。 AMF検出トラックでは, 最大0.908まで精度のバランスが取れた21項目を提出した。 我々の分析では、ほとんどのモデルが従来のホットスポットで確実に機能するのに対して、偽陽性率が3倍になる挑戦的なROIで顕著なパフォーマンス劣化が発生します。 さらに12種類の腫瘍に対して, 異常または多形性悪性腫瘍に遭遇した際, 現在の最先端建築における「盲点」が顕著に認められた。 さらに, アンサンブルの有効性を評価し, F1スコアの平均値が1.5点, 1.3%, バランス精度が1。 一方,TTAは有意な改善は認められなかった。 MIDOG 2025は「野生の」有糸分裂の検出が依然として重大なハードルであることを示した。 ホットスポットのみの評価からマルチコンテキストフレームワークへの移行は、臨床信頼性のより現実的なプロキシを提供する。

関連論文リスト

• A Contrastive Variational AutoEncoder for NSCLC Survival Prediction with Missing Modalities [41.8469011437549]
  非小細胞肺癌 (NSCLC) 患者の生存予測は, 個々の予後が異なるため困難である。 最先端モデルは、患者レベルの表現を作成するために利用可能なデータや、欠落したモダリティを推測するために生成モデルを使用する。 本稿では,MCVAE(Multimodal Contrastive Variational AutoEncoder)を提案する。
  論文  参考訳（メタデータ） (2026-02-19T14:29:34Z)
• Deep Unsupervised Anomaly Detection in Brain Imaging: Large-Scale Benchmarking and Bias Analysis [42.60508892284938]
  脳画像の深部教師なし異常検出のための大規模マルチセンターベンチマークを提案する。 健康なデータセットと多様な臨床コホートにまたがる2,221T1wと1,262T2wのスキャンを行った。 我々のベンチマークは今後の研究の透明な基盤を確立し、臨床翻訳の優先順位を強調している。
  論文  参考訳（メタデータ） (2025-12-01T11:03:27Z)
• An Explainable Hybrid AI Framework for Enhanced Tuberculosis and Symptom Detection [55.35661671061754]
  結核は、特に資源に制限された遠隔地において、重要な世界的な健康問題である。 本稿では, 胸部X線による疾患および症状の検出を, 2つの頭部と自己監督頭部を統合することで促進する枠組みを提案する。 本モデルでは, 新型コロナウイルス, 結核, 正常症例の鑑別で98.85%の精度が得られ, マルチラベル症状検出では90.09%のマクロF1スコアが得られた。
  論文  参考訳（メタデータ） (2025-10-21T17:18:55Z)
• Challenges and Lessons from MIDOG 2025: A Two-Stage Approach to Domain-Robust Mitotic Figure Detection [9.314972045525133]
  本稿では,MIDOG 2025チャレンジへの参加について述べる。 我々は,Faster R-CNNと疑似正の低減のための3つの分類器のアンサンブルを組み合わせた2段パイプラインを開発した。 私たちは、MIDOG++データセットのみでトレーニングされたより高速なR-CNNを使用して、F1スコア0.2237(リコール:0.9528、精度:0.1267)を達成した。
  論文  参考訳（メタデータ） (2025-09-01T17:42:05Z)
• Robust Pan-Cancer Mitotic Figure Detection with YOLOv12 [1.2228119373158255]
  本稿では、最先端のYOLOv12オブジェクト検出アーキテクチャに基づくミトティックな人物検出手法を提案する。 予備テストセット(ホットスポットのみ)では0.801のF1スコアを達成し,最終テストリーダボードでは0.7216のF1スコアで2位となった。
  論文  参考訳（メタデータ） (2025-08-29T08:37:46Z)
• A bag of tricks for real-time Mitotic Figure detection [0.0]
  我々は,RTMDet単段物体検出装置の効率的な構築を行い,臨床展開に適した高推論速度を実現する。 偽陽性を減少させるために, ターゲット型, 硬い負のマイニングを壊死組織, 破片組織に適用した。 Mitosis DOmain Generalization (MIDOG) 2025の予備試験セットでは, RTMDet-Sをベースとした一段法が0.81に到達した。
  論文  参考訳（メタデータ） (2025-08-27T11:45:44Z)
• Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.76736949127792]
  我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。 BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。 上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
  論文  参考訳（メタデータ） (2024-05-16T03:23:57Z)
• Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
  本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。 提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。 医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-03-19T09:28:19Z)

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。