論文の概要: Slide-Level Active Learning Reduces Annotation Burden in H&E images

• arxiv url: http://arxiv.org/abs/2607.09831v1
• Date: Fri, 10 Jul 2026 13:48:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.224045
• Title: Slide-Level Active Learning Reduces Annotation Burden in H&E images
• Title（参考訳）: スライドレベル能動学習によるH&E画像のアノテーションバーデン低減
• Abstract要約: 深層学習に基づくスライディング画像の階層化には,大量のピクセルレベルのアノテーションが必要である。 アクティブラーニング(AL)は、この取り組みを減らすために提案されているが、既存の手法には3つの重要な制限がある。 我々は、アノテーション効率のよいマルチクラス病理組織分類のための患者レベルのALフレームワークであるSHAL(Slide-level Hybrid Active Learning)を提案する。
• 参考スコア（独自算出の注目度）: 1.9573380763700712
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning-based segmentation of histopathology whole-slide images (WSIs) requires large amounts of pixel-level annotations, which are costly and time-consuming to obtain. Active learning (AL) has been proposed to reduce this effort, but existing methods exhibit three key limitations. Uncertainty estimation is unreliable on partially annotated WSIs, patch-level acquisition is inconsistent with slide-level annotation workflows, and class imbalance in multi-class settings is not explicitly addressed. To address these challenges, we propose SHAL (Slide-level Hybrid Active Learning), a patient-level AL framework for annotation-efficient multi-class histopathology segmentation. SHAL integrates three complementary components: a foreground-aware strategy that suppresses bias from unlabeled background regions, a stage-adaptive mechanism that hybridizes predictive entropy and epistemic uncertainty across learning stages, and a class-aware strategy that prioritizes diagnostically relevant tissue classes. SHAL is evaluated on the TCGA colorectal cancer dataset. It achieves the highest Macro Dice at the full annotation budget (0.846) and reaches Dice greater than or equal to 0.80 using only 26 percent of the budget (50 of 190 slides), whereas competing methods reach this threshold only at 37 percent (70 slides). Across five independent external cohorts, SHAL attains the highest mean external Macro Dice (0.815) and the smallest internal-to-external generalization gap among all methods (0.025 at Round 3 and 0.026 at the full budget). The results indicate that patient-level hybrid uncertainty acquisition reduces annotation cost without sacrificing cross-domain generalization in computational pathology.
• Abstract（参考訳）: 深層学習に基づく全スライディング画像(WSI)の分割には大量のピクセルレベルのアノテーションが必要である。 アクティブラーニング(AL)は、この取り組みを減らすために提案されているが、既存の手法には3つの重要な制限がある。 部分的にアノテートされたWSIでは不確実性推定が信頼性を失い、パッチレベルの取得はスライドレベルのアノテーションワークフローと矛盾し、マルチクラスの設定におけるクラス不均衡は明示的に対処されない。 これらの課題に対処するために、アノテーション効率のよいマルチクラス病理組織分類のための患者レベルのALフレームワークであるSHAL(Slide-level Hybrid Active Learning)を提案する。 SHALは、未ラベルの背景領域からのバイアスを抑制するフォアグラウンド・アウェア・ストラテジー、学習段階間で予測エントロピーとてんかんの不確実性をハイブリダイズするステージ適応メカニズム、診断に関係のある組織クラスを優先するクラス・アウェア・ストラテジーの3つの補完的な要素を統合している。 SHALはTGA大腸癌データセットで評価される。 完全なアノテーション予算(0.846)で最高水準のマクロ・ダイスを達成し、予算の26%(50の190のスライド)で0.80以上に達する一方、競合する手法は37%(70のスライド)でこの閾値に達した。 5つの独立した外部コホートの中で、SHALは最も平均的な外部マクロ・ダイス(0.815)に達し、全手法(ラウンド3で0.025、フル予算で0.026)の中では最小の内外の一般化ギャップを達成している。 その結果、患者レベルのハイブリッド不確実性獲得は、計算病理学におけるクロスドメインの一般化を犠牲にすることなく、アノテーションコストを削減できることが示唆された。

関連論文リスト

• Synergistic Foundation Models for Semi-Supervised Fetal Cardiac Ultrasound Analysis: SAM-Med2D Boundary Refinement and DINOv3 Semantic Enhancement [5.411754642371615]
  胎児心エコー画像の関節分割と分類のための半教師付き枠組みを提案する。 本手法は, SAM-Med2DとDINOv3を併用し, 擬似ラベル品質を向上する。 FETUS 2026 のリーダーボードで評価したところ、Dice similarity Coefficient 79.99%、正規化表面距離 61.62%、F1-score 41.20% である。
  論文  参考訳（メタデータ） (2026-05-19T13:00:19Z)
• TriALS: Triphasic-Aided Liver Lesion Segmentation Benchmark in Non-Contrast CT [49.93685997940356]
  コントラスト制限条件下での肝病変の自動分節に対するTriALSの課題について述べる。 最高性能は平均静脈圧0.754で, NCCTでは0.57に低下した。 アルゴリズムの性能は、トレーニングデータスケールと事前学習戦略によって最も強く予測された。
  論文  参考訳（メタデータ） (2026-05-15T19:23:35Z)
• Exploring Entropy-based Active Learning for Fair Brain Segmentation [9.205575630735263]
  アクティブラーニングは、医用画像のセグメンテーションに伴う禁止費用を削減する重要な戦略として現れてきた。 本稿では,現在グループ固有の性能推定値に基づいて不確実性を変調する,重み付きエントロピー選択戦略を備えたフェアネス対応能動学習フレームワークを提案する。 実験により,本手法は,ランダムサンプリングや標準不確実性サンプリングと比較して,グループ間の性能格差を著しく低減することが示された。
  論文  参考訳（メタデータ） (2026-05-03T04:21:48Z)
• PRIME: Prototype-Driven Multimodal Pretraining for Cancer Prognosis with Missing Modalities [86.63247982275396]
  PRIMEは、欠落を認識したマルチモーダルな自己教師型事前トレーニングフレームワークである。 部分的に観察されたコホートから頑健で伝達可能な表現を学ぶ。 The Cancer Genome AtlasのPRIMEを32種類の癌に対してラベルフリープレトレーニングで評価した。
  論文  参考訳（メタデータ） (2026-04-05T21:14:27Z)
• IMOVNO+: A Regional Partitioning and Meta-Heuristic Ensemble Framework for Imbalanced Multi-Class Learning [5.693705818399956]
  クラス不均衡、重複、ノイズによりデータ品質が低下し、モデルの信頼性が低下し、一般化が制限される。 本稿では,データ品質とアルゴリズム的ロバスト性を向上させるためのフレームワークであるIMOVNO+を提案する。 その結果、最先端手法よりも一貫した優位性を示し、いくつかのケースでは100%に近づいた。
  論文  参考訳（メタデータ） (2026-02-22T08:13:51Z)
• MedHELM: Holistic Evaluation of Large Language Models for Medical Tasks [47.486705282473984]
  大規模言語モデル(LLM)は、医学試験においてほぼ完璧なスコアを得る。 これらの評価は、実際の臨床実践の複雑さと多様性を不十分に反映している。 MedHELMは,医療業務におけるLCMの性能を評価するための評価フレームワークである。
  論文  参考訳（メタデータ） (2025-05-26T22:55:49Z)
• A Feature-Level Ensemble Model for COVID-19 Identification in CXR Images using Choquet Integral and Differential Evolution Optimization [0.7510165488300369]
  新型コロナウイルスのパンデミックを緩和するための効果的な戦略は、感染した個人を特定するための検査を統合することである。 RT-PCRは、新型コロナウイルスの診断における金の基準と考えられているが、偽陰性のリスクなどいくつかの制限がある。 本稿では,事前学習したディープ・コーン・ニューラル・ニューラルネットワーク(DCNN)をアンサンブル学習フレームワークに統合した新しいディープラーニング診断システムを提案する。
  論文  参考訳（メタデータ） (2025-01-14T16:28:02Z)
• Scalable Bayesian Meta-Learning through Generalized Implicit Gradients [64.21628447579772]
  Inlicit Bayesian Meta-learning (iBaML) 法は、学習可能な事前のスコープを広げるだけでなく、関連する不確実性も定量化する。 解析誤差境界は、明示的よりも一般化された暗黙的勾配の精度と効率を示すために確立される。
  論文  参考訳（メタデータ） (2023-03-31T02:10:30Z)
• 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)
• Efficient subtyping of ovarian cancer histopathology whole slide images using active sampling in multiple instance learning [2.038893829552157]
  マルチインスタンス学習のための識別領域アクティブサンプリング (DRAS-MIL) は、注意スコアを用いて、高度に識別された領域のサンプリングに焦点を合わせ、計算的に効率的なスライド分類法である。 DRAS-MILは,3倍のクロスバリデーションAUCの0.8679で,全スライド解析と同様の分類性能が得られることを示す。 当社のアプローチでは、GPUで評価する時間の33%を要し、CPUだけで14%しか使用していません。
  論文  参考訳（メタデータ） (2023-02-17T13:28:06Z)
• Medical Instrument Segmentation in 3D US by Hybrid Constrained Semi-Supervised Learning [62.13520959168732]
  3DUSにおける楽器セグメンテーションのための半教師付き学習フレームワークを提案する。 SSL学習を実現するため、Dual-UNetが提案されている。 提案手法は,Diceの約68.6%-69.1%,推定時間約1秒を実現している。
  論文  参考訳（メタデータ） (2021-07-30T07:59:45Z)

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。