論文の概要: TVT-PAPD: Pathology-Aware Prototype Distillation for Self-Supervised Whole Slide Image Classification

• arxiv url: http://arxiv.org/abs/2607.10406v1
• Date: Sat, 11 Jul 2026 17:15:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.423679
• Title: TVT-PAPD: Pathology-Aware Prototype Distillation for Self-Supervised Whole Slide Image Classification
• Title（参考訳）: TVT-PAPD : 自己監督型全スライド画像分類のための病態認識型原型蒸留法
• Abstract要約: 病理診断型プロトタイプ蒸留(TVT-PAPD)を用いたTiny Vision Transformerを提案する。 この自己教師型病理表現学習フレームワークは、Tiny Vision Transformer(TVT)と新しいPAPDモジュールを統合する。 TVT-PAPDはLGG-GBM分類において、それぞれ93.02%と90.23%の重み付きF1スコアを達成している。
• 参考スコア（独自算出の注目度）: 1.2585216712212437
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Self-supervised learning (SSL) has emerged as an effective paradigm for learning transferable representations from large-scale unlabeled whole slide images (WSIs). However, existing SSL methods primarily learn generic visual features and often fail to explicitly capture pathology-specific morphological patterns that are critical for disease characterization. To address this limitation, we propose Tiny Vision Transformer with Pathology-Aware Prototype Distillation (TVT-PAPD). This self-supervised pathology representation learning framework integrates a Tiny Vision Transformer (TVT) with a novel Pathology-Aware Prototype Distillation (PAPD) module. PAPD employs a learnable pathology prototype bank to discover and preserve representative tissue morphology patterns, encouraging semantically similar pathological regions to learn consistent and discriminative representations. The proposed framework enhances pathology-aware feature learning while maintaining computational efficiency with 90M parameters. Experiments on the Cancer Genome Atlas (TCGA) low-grade glioma (LGG)/glioblastoma (GBM) dataset and the Indian Pathology Brain (IPD-Brain) dataset demonstrate that TVT-PAPD achieves weighted F1-scores of 93.02% and 90.23%, respectively, for LGG-GBM classification, while exhibiting strong cross-cohort generalization across independent glioma datasets.
• Abstract（参考訳）: 自己教師付き学習(SSL)は、大規模な未ラベル全スライド画像(WSI)から転送可能な表現を学習するための効果的なパラダイムとして登場した。 しかし、既存のSSLメソッドは主に一般的な視覚的特徴を学習し、疾患の特徴づけに重要な病理特異的な形態的パターンを明示的に捉えることに失敗することが多い。 そこで我々は,この制限に対処するために,Tyny Vision Transformer with Pathology-Aware Prototype Distillation (TVT-PAPD)を提案する。 この自己教師型病理表現学習フレームワークは、Tiny Vision Transformer(TVT)と新しいPAPDモジュールを統合する。 PAPDは、組織形態の代表的なパターンを発見し保存するために、学習可能な病理プロトタイプバンクを使用し、意味論的に類似した病理領域に一貫性と差別的な表現を学習するよう奨励する。 提案フレームワークは,90Mパラメータによる計算効率を維持しつつ,病的特徴学習を向上させる。 がんゲノムアトラス(TCGA)低悪性グリオーマ(LGG)/グリオ芽腫(GBM)データセットとインド病理脳(IPD-Brain)データセットの実験では、それぞれLGG-GBM分類において、TVT-PAPDが重み付きF1スコアの93.02%と90.23%を達成した。

関連論文リスト

• Multi-View Synergistic Learning with Vision-Language Adaption for Low-Resource Biomedical Image Classification [59.24009931000134]
  MVSL(Multi-View Synergistic Learning)は、適応パラダイム、表現の粒度、疾患の意味的関係に対処する統合フレームワークである。 MVSLは、視覚的およびテキスト的エンコーダの適応を分離し、それぞれの表現特性を尊重する。 さらに、グローバルなイメージセマンティクスと局所的な病変レベルの証拠の両方を明示的にモデル化するために、多粒性コントラスト学習を導入する。 MVSLは、いくつかのショットとゼロショットの分類設定において、最先端のメソッドを一貫して上回る。
  論文  参考訳（メタデータ） (2026-04-27T02:41:27Z)
• Fusing Pixels and Genes: Spatially-Aware Learning in Computational Pathology [46.83014413674925]
  STAMPは空間的トランスクリプトミクスを付加したマルチモーダルな病理表現学習フレームワークである。 本研究は、自己教師型遺伝子誘導訓練が、病理画像表現の学習に堅牢でタスクに依存しない信号を提供することを示す。 6つのデータセットと4つの下流タスクにまたがってSTAMPを検証する。
  論文  参考訳（メタデータ） (2026-02-15T00:59:13Z)
• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• Pathology-Aware Prototype Evolution via LLM-Driven Semantic Disambiguation for Multicenter Diabetic Retinopathy Diagnosis [9.502494574447253]
  糖尿病網膜症のグレーディングを容易にするための階層型アンカープロトタイプ変調(HAPM)フレームワークを提案する。 まず、領域不変な病理パターンを保存する分散スペクトル駆動型アンカープロトタイプライブラリを紹介する。 さらに、LVLMおよびLLMソースから識別的意味的プロンプトを動的に選択する階層的微分プロンプトゲーティング機構を用いる。
  論文  参考訳（メタデータ） (2025-11-27T02:35:29Z)
• 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)
• 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)
• Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
  病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。 健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
  論文  参考訳（メタデータ） (2023-08-03T21:56:50Z)
• Democratizing Pathological Image Segmentation with Lay Annotators via Molecular-empowered Learning [20.11220024755348]
  レイアノテータの部分ラベルを用いた多クラス細胞セグメンテーションのための分子動力学学習手法を提案する。 分子インフォームドアノテーションを用いてF1=0.8496を達成した。 本手法は,病的セグメンテーションの深部モデルの開発をライアノテータレベルまで民主化する。
  論文  参考訳（メタデータ） (2023-05-31T16:54:47Z)
• Global Contrast Masked Autoencoders Are Powerful Pathological Representation Learners [11.162001837248166]
  本稿では,自己教師付き学習モデルであるGCMAE(Global contrast-masked Autoencoder)を提案する。 GCMAEは3つの異なる疾患特異的ヘマトキシリンとエオシン(HE)染色された病理データセットを用いて、広範囲にわたる実験により、再現性のある表現を学習する能力を示した。
  論文  参考訳（メタデータ） (2022-05-18T16:28:56Z)
• Self-Supervised Vision Transformers Learn Visual Concepts in Histopathology [5.164102666113966]
  我々は、様々な弱い教師付きおよびパッチレベルのタスクに対する検証を行い、様々な自己教師付きモデルを訓練することにより、病理学における良い表現を探索する。 我々の重要な発見は、DINOベースの知識蒸留を用いたビジョントランスフォーマーが、組織像におけるデータ効率と解釈可能な特徴を学習できることを発見したことである。
  論文  参考訳（メタデータ） (2022-03-01T16:14:41Z)
• 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。