論文の概要: CGRL: Concept-Guided Pruning and Representation Learning for Whole-Slide Image Classification

• arxiv url: http://arxiv.org/abs/2607.12556v1
• Date: Tue, 14 Jul 2026 09:25:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:30.096103
• Title: CGRL: Concept-Guided Pruning and Representation Learning for Whole-Slide Image Classification
• Title（参考訳）: CGRL:全スライド画像分類のための概念誘導型プルーニングと表現学習
• Abstract要約: 弱教師付き計算病理学のための概念指導型プルーニング・表現学習(CGRL)を提案する。 まず、概念関連プルーニング(concept-relevance pruning)は、クラスの概念と類似性によってパッチインスタンスをランク付けし、トップKの概念関連パッチを保持します。 第二に、概念誘導型コントラスト表現学習は、同じ類似性行列からクラスワイド正および負のパッチセットを構成する。
• 参考スコア（独自算出の注目度）: 6.576173998482651
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Weakly supervised whole-slide image (WSI) classification is widely used in computational pathology because slide-level labels are easier to obtain than dense region annotations. Existing multiple instance learning (MIL) methods often aggregate large bags of patch embeddings using mainly visual cues, which can retain many non-informative patches and provide weak alignment between instance features and class-level disease semantics. We propose Concept-Guided Pruning and Representation Learning (CGRL), a simple framework that introduces class-level concept prototypes derived from disease prompts into the MIL pipeline. First, concept-relevance pruning ranks patch instances by their similarity to class concepts and retains the top-K concept-relevant patches for downstream MIL aggregation. Second, concept-guided contrastive representation learning constructs class-wise positive and negative patch sets from the same similarity matrix and optimizes target-class, symmetric auxiliary, and cross-class separation objectives, thereby regularizing the projected concept space. We evaluate CGRL on TCGA-BRCA and TCGA-NSCLC using multiple representative MIL methods. Experimental results show that CGRL improves several model-dataset combinations, with gains depending on the downstream MIL model and dataset. It achieves particularly clear improvements in accuracy and macro-F1 while reducing computational cost through concept-relevance pruning. These findings demonstrate that class-level semantic concepts provide an effective and practical prior for patch selection and representation learning in weakly supervised computational pathology.
• Abstract（参考訳）: 濃密な領域アノテーションよりもスライドレベルのラベルが入手しやすいため,WSI分類は計算病理学において広く用いられている。 既存のMIL(Multiple Case Learning)メソッドは、主に視覚的キューを使用して大量のパッチ埋め込みを集約し、多くの非情報的パッチを保持し、インスタンス機能とクラスレベルの病的セマンティクスの弱いアライメントを提供する。 本稿では,病的プロンプトから派生したクラスレベルのコンセプトプロトタイプをMILパイプラインに導入するシンプルなフレームワークである概念ガイド型Pruning and Representation Learning (CGRL)を提案する。 まず、概念関連プルーニング(concept-relevance pruning)は、クラスの概念と類似性によってパッチインスタンスをランク付けし、下流MILアグリゲーションのためのトップKの概念関連パッチを保持します。 第二に、概念誘導型コントラスト表現学習は、同じ類似性行列からクラスワイド正および負のパッチセットを構築し、ターゲットクラス、対称補助およびクロスクラス分離の目的を最適化し、投影された概念空間を規則化する。 複数の代表的MIL法を用いて,TCGA-BRCAとTCGA-NSCLCのCGRLを評価した。 実験結果から、CGRLは、下流MILモデルとデータセットに依存して、いくつかのモデル-データセットの組み合わせを改善していることがわかった。 これは、概念関連プルーニングによる計算コストを削減しつつ、特に精度とマクロF1の改善を実現している。 これらの結果から,クラスレベルのセマンティック概念が,弱教師付き計算病理学におけるパッチ選択と表現学習に有効かつ実践的な先行性をもたらすことが示唆された。

関連論文リスト

• [CLS] is Not Enough: Multi-Label Recognition via Patch-Level Inference and Adaptive Aggregation [20.637119409165418]
  PIAAは、アダプティブアグリゲーション(Adaptive Aggregation)によって、パッチレベルの推論として予測を定式化する。 パッチレベルのスコアを最終的なマルチラベル予測に集約するアダプティブアグリゲーションモジュールを導入する。 実験の結果,提案手法は最小限の余剰計算で強い改善を達成できることがわかった。
  論文  参考訳（メタデータ） (2026-05-25T13:19:12Z)
• JEPAMatch: Geometric Representation Shaping for Semi-Supervised Learning [3.7931928645127986]
  本稿では、FlexMatchで使用される古典的半教師付き損失と、LeJEPAから派生した潜在空間正規化項を組み合わせた新たなトレーニング目標を提案する。 提案手法は、擬似ラベル戦略の利点を保ちながら、よく構造化された表現を奨励する。
  論文  参考訳（メタデータ） (2026-04-22T19:44:41Z)
• PCA-Seg: Revisiting Cost Aggregation for Open-Vocabulary Semantic and Part Segmentation [58.1914505657064]
  本稿では,クラスレベルのセマンティクスと空間コンテキスト間の知識干渉の課題を軽減するために,単純な並列コストアグリゲーション(PCA-Seg)パラダイムを提案する。 8つのベンチマークの実験では、PCA-Segの各並列ブロックは0.35万のパラメータしか追加せず、最先端のOSPS性能を実現している。
  論文  参考訳（メタデータ） (2026-03-18T09:26:43Z)
• MacNet: An End-to-End Manifold-Constrained Adaptive Clustering Network for Interpretable Whole Slide Image Classification [9.952997875404634]
  クラスタリングに基づくアプローチは、説明可能な意思決定プロセスを提供するが、高次元の特徴と意味的にあいまいなセントロイドに悩まされる。 本稿では、グラスマン再埋め込みと多様体適応クラスタリングを統合したエンドツーエンドMILフレームワークを提案する。 マルチセントのWSIデータセットの実験では、1) クラスタを組み込んだモデルは、グレーディング精度と解釈可能性の両方において優れたパフォーマンスを実現し、2) エンドツーエンドの学習は、より良い特徴表現を洗練し、許容できるリソースを必要とします。
  論文  参考訳（メタデータ） (2026-02-16T06:43:36Z)
• Unleashing the Power of Vision-Language Models for Long-Tailed Multi-Label Visual Recognition [55.189113121465816]
  本稿では,長い尾を持つ多ラベル視覚認識のための新しい相関適応プロンプトネットワーク(CAPNET)を提案する。 CAPNETはCLIPのテキストエンコーダからの相関を明示的にモデル化する。 テスト時間アンサンブルによる一般化を改善し、視覚・テクスチャのモダリティを実現する。
  論文  参考訳（メタデータ） (2025-11-25T18:57:28Z)
• Interpretable Few-Shot Image Classification via Prototypical Concept-Guided Mixture of LoRA Experts [79.18608192761512]
  自己説明可能なモデル(SEM)は、視覚認識プロセスをより解釈可能なものにするために、プロトタイプ概念学習(PCL)に依存している。 パラメトリック不均衡と表現の不整合という2つの重要な課題を緩和するFew-Shotプロトタイプ概念分類フレームワークを提案する。 我々のアプローチは、既存のSEMを顕著な差で常に上回っており、5-way 5-shot分類では4.2%-8.7%の相対的な利得がある。
  論文  参考訳（メタデータ） (2025-06-05T06:39:43Z)
• SimMIL: A Universal Weakly Supervised Pre-Training Framework for Multi-Instance Learning in Whole Slide Pathology Images [12.827931905880163]
  本稿では,弱教師付きスキームを用いたMIL機能抽出器を提案する。 MILの効果的な特徴を学習するために、強いデータ拡張、非線形予測ヘッド、ロバストな損失関数など、いくつかの重要なコンポーネントを探索する。 我々は、一般的な大規模WSIデータセットで実験を行い、他の事前学習方式よりも優れた性能が得られることを発見した。
  論文  参考訳（メタデータ） (2025-05-10T17:23:36Z)
• Multi-Cue Adaptive Visual Token Pruning for Large Vision-Language Models [85.51753014478315]
  本稿では,新しいプラグ・アンド・プレイ・トレーニングフリープルーニング手法であるAdaptPruneを紹介する。 空間距離とトークン類似性を適応的NMSアプローチと組み合わせることで、従来の注意に基づくプルーニングに基づいている。 当社のアプローチはトークンの重要性を総合的に評価することを保証するとともに,プルーニング決定を大幅に改善する。
  論文  参考訳（メタデータ） (2025-03-11T03:58:17Z)
• Queryable Prototype Multiple Instance Learning with Vision-Language Models for Incremental Whole Slide Image Classification [10.667645628712542]
  ホイルスライド画像(WSI)分類は臨床病理学に非常に重要な応用例である。 本稿では, 逐次WSI分類に特化して設計された, Queryable Prototype Multiple Instance Learning (QPMIL-VL) を用いた視覚言語ベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-14T14:49:34Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Prototypical Contrastive Learning of Unsupervised Representations [171.3046900127166]
  原型コントラスト学習(Prototypeal Contrastive Learning, PCL)は、教師なし表現学習法である。 PCLは暗黙的にデータのセマンティック構造を学習された埋め込み空間にエンコードする。 PCLは、複数のベンチマークで最先端のインスタンスワイド・コントラスト学習法より優れている。
  論文  参考訳（メタデータ） (2020-05-11T09:53:36Z)

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。