Fugu-MT 論文翻訳(概要): ProsMAE: Multi-Source MAE Pretraining for ISUP Grade Classification

論文の概要: ProsMAE: Multi-Source MAE Pretraining for ISUP Grade Classification

arxiv url: http://arxiv.org/abs/2607.08162v1
Date: Thu, 09 Jul 2026 06:57:18 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-10 14:45:27.431102
Title: ProsMAE: Multi-Source MAE Pretraining for ISUP Grade Classification
Title（参考訳）: ProsMAE: ISUPグレード分類のためのマルチソースMAE事前トレーニング
Abstract要約: 全スライド画像(WSI)は、計算病理学の豊富な診断情報を提供する。彼らのギガピクセルスケール、染みの変化、スキャナの違い、組織アーチファクト、限られた専門家アノテーションは、堅牢なモデルトレーニングを困難にしている。本稿では,病理組織学表現学習のためのマルチソースMasked AutoencoderフレームワークProsMAEを提案する。
参考スコア（独自算出の注目度）: 10.976431229303614
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Whole slide images (WSIs) provide rich diagnostic information for computational pathology, but their gigapixel scale, stain variation, scanner differences, tissue artifacts, and limited expert annotation make robust model training challenging. This paper presents a multi-source Masked Autoencoder (MAE) framework, named ProsMAE, for histopathology representation learning. Tiles from Prostate cANcer graDe Assessment (PANDA), CAncer MEtastases in LYmph nOdes challeNge 2017 (CAMELYON17), and BReAst Carcinoma Subtyping (BRACS) are used for ProsMAE pretraining to expose the encoder to diverse tissue morphology and acquisition conditions. The learned encoder is transferred for International Society of Urological Pathology (ISUP) grade classification through ProsCLS, using a frozen encoder and a linear classification head. ProsMAE achieved a higher mean validation quadratic weighted kappa (QWK) than the vanilla MAE frozen linear-probe baseline under the evaluated disjoint PANDA split. Repeated-split evaluation remains necessary to further establish robustness across split compositions.
Abstract（参考訳）: 全スライド画像(WSI)は、計算病理学に豊富な診断情報を提供するが、そのギガピクセルスケール、染色変化、スキャナの違い、組織アーチファクト、限られた専門家アノテーションは、堅牢なモデルトレーニングを困難にしている。本稿では,病理組織学表現学習のためのマルチソースMasked Autoencoder(MAE)フレームワークProsMAEを提案する。前立腺癌評価(PANDA)、リンパnOdes challeNge 2017(CAMELYON17)のCAncer Metastases、およびBReAst Carcinoma Subtyping(BRACS)は、ProsMAEプリトレーニングに使用され、エンコーダを様々な組織形態および取得条件に露出させる。 The learned encoder is transfer to International Society of Urological Pathology (ISUP) grade classification through ProsCLS, using a frozen encoder and a linear classification head。 ProsMAEは, 2次重み付きカッパ (QWK) を, パンダスプリット法において, バニラMAE冷凍リニアプローブベースラインよりも高い精度で達成した。分割構成間の堅牢性をさらに確立するためには、繰り返し分割評価が必要である。

関連論文リスト

ProtoCAM: Interpretable Few-Shot Mask-Guided Prototypical Learning for Breast Lesion Classification in Ultrasound Imaging [0.2538209532048867]
ProtoCAMは乳房病変分類のための説明可能な数発の学習フレームワークである。マスク誘導型特徴符号化、原型的メートル法学習、勾配に基づく視覚的説明を統合している。 BUSIデータセット上で,層状群k-foldクロスバリデーションプロトコルを用いて評価した。
論文参考訳（メタデータ） (2026-09-11T12:05:39Z)
Unsupervised Domain Adaptation for Calcification Classification in Mammography Across Multi-Site Datasets [3.7920076032207106]
多地点データセット間の悪性度と良性乳房疾患の分類を改善するための石灰化分類フレームワークを提案する。フレームワークは,(1)スタイル転送モデル(AdaINとCycleGAN)に基づいた教師なしドメイン適応モジュールを用いて,追加アノテーションなしでベンダ固有の,技術固有のトレーニングサンプルを生成する,(2)バックボーンとしてSwin Transformer V2を用いた教師なし分類モジュールで構成された。これらの結果は、ドメイン適応がドメインシフトを減らし、多地点データセット間の石灰化分類の一般化を改善することを示唆している。
論文参考訳（メタデータ） (2026-07-07T17:53:49Z)
Adaptive Texture-aware Masking for Self-Supervised Learning in 3D Dental CBCT Analysis [46.96606285805449]
Cone Beam Computed Tomography (CBCT) は歯科における3次元画像診断に重要である。ボリューム分析のための堅牢なAIモデルの開発は、大きな注釈付きデータセットの不足によって制約されることが多い。我々は,新しい適応マスキング戦略であるATMaskを提案する。
論文参考訳（メタデータ） (2026-05-03T06:42:28Z)
Tabular LLMs for Interpretable Few-Shot Alzheimer's Disease Prediction with Multimodal Biomedical Data [43.4291712919395]
TAP-GPT Tabular Alzheimer's Prediction GPTを提案する。 QT-PADバイオマーカーや領域レベルの構造MRI,アミロイドPET,タウPETなど,ADNI由来の4つのデータセットを対象としたTAP-GPTの評価を行った。そこで本研究では,TAP-GPTはシミュレーションおよび実世界の欠如下で安定な性能を維持していることを示す。
論文参考訳（メタデータ） (2026-03-17T22:43:50Z)
Learning from the Right Patches: A Two-Stage Wavelet-Driven Masked Autoencoder for Histopathology Representation Learning [4.281508114645598]
全スライド画像はデジタル病理の中心であるが、その極端の大きさとアノテーションが不足しているため、自己指導型学習が不可欠である。本稿では,ウェーブレットインフォームドパッチ選択戦略を通じて,MAEに基づく学習に構造と生物学的関連性をもたらす枠組みを提案する。 WISE-MAEは、弱い監督下で効率を保ちながら、競争力のある表現品質と下流分類性能を実現する。
論文参考訳（メタデータ） (2025-11-10T11:06:25Z)
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)
Pathological Prior-Guided Multiple Instance Learning For Mitigating Catastrophic Forgetting in Breast Cancer Whole Slide Image Classification [50.899861205016265]
乳癌のWSI分類における破滅的忘れを緩和する新しい枠組みであるPaGMILを提案する。私たちのフレームワークでは、共通のMILモデルアーキテクチャに2つの重要なコンポーネントを導入しています。複数の乳がんデータセットを対象としたPaGMILの連続学習性能の評価を行った。
論文参考訳（メタデータ） (2025-03-08T04:51:58Z)
Beyond Labels: A Self-Supervised Framework with Masked Autoencoders and Random Cropping for Breast Cancer Subtype Classification [0.3374875022248865]
この領域でコンピュータビジョンタスクに適した自己教師型埋め込みを学習する。私たちはWSIから自動的に大規模なデータセットを生成します。我々は、BRACSデータセット上でのモデルの性能を評価し、既存のベンチマークと比較する。
論文参考訳（メタデータ） (2024-10-15T19:13:05Z)
Active Learning Enhances Classification of Histopathology Whole Slide Images with Attention-based Multiple Instance Learning [48.02011627390706]
我々は、注意に基づくMILをトレーニングし、データセット内の各画像に対する信頼度を算出し、専門家のアノテーションに対して最も不確実なWSIを選択する。新たな注意誘導損失により、各クラスにアノテートされた領域がほとんどない、トレーニングされたモデルの精度が向上する。将来的には、病理組織学における癌分類の臨床的に関連する文脈において、MILモデルのトレーニングに重要な貢献をする可能性がある。
論文参考訳（メタデータ） (2023-03-02T15:18:58Z)
Multi-modal Masked Autoencoders Learn Compositional Histopathological Representations [3.2780506066663655]
Masked Autoencoders (MAE) はデジタル病理学に適した最近のSSL方式である。ヘマトキシリンおよびエオシン染色WSIの特異な組成性を利用するマルチモーダルMAE(MMAE)を導入する。その結果,MMAEアーキテクチャは8クラス組織表現型タスクにおいて,教師付きベースラインや他の最先端SSL技術よりも優れていた。
論文参考訳（メタデータ） (2022-09-04T05:25:31Z)
Deep AUC Maximization for Medical Image Classification: Challenges and Opportunities [60.079782224958414]
我々は、AUCによる新たな深層学習手法による機会と課題を提示し、議論する(別名、アンダーラインbfディープアンダーラインbfAUC分類)。
論文参考訳（メタデータ） (2021-11-01T15:31:32Z)
G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文参考訳（メタデータ） (2021-01-27T19:28:04Z)

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。