論文の概要: Weakly Supervised Instance-Level Gleason Pattern Estimation Using Primary and Secondary Labels

• arxiv url: http://arxiv.org/abs/2607.23594v2
• Date: Sun, 02 Aug 2026 11:30:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 21:56:46.324496
• Title: Weakly Supervised Instance-Level Gleason Pattern Estimation Using Primary and Secondary Labels
• Title（参考訳）: 一次ラベルと二次ラベルを用いた弱教師付きインスタンスレベルグレソンパターン推定
• Abstract要約: 前立腺癌の病理組織学では、Gleason Scoreは、全スライディング画像の中で最も頻度の高い(Primary)パターンと2番目に頻度が高い(Secondary)Gleasonパターンによって決定される。 本稿では,スライドレベルのプライマリラベルとセカンダリラベルからインスタンスレベルのGleasonパターンを推定するマルチインスタンス学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 8.166364251367625
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In prostate cancer histopathology, the Gleason Score is determined by the most frequent (Primary) and second most frequent (Secondary) Gleason patterns within a whole-slide image. Although these slide-level labels are routinely available in clinical practice, instance-level Gleason annotations are rarely provided, making patch-level learning challenging. We propose a Multiple Instance Learning (MIL) framework that estimates instance-level Gleason patterns from slide-level Primary and Secondary labels. The proposed method formulates instance-level learning according to the clinical definition of the Gleason Score by aggregating instance predictions into class counts and explicitly modeling the Primary pattern, Secondary pattern, and their dominance. Experimental results demonstrate that the proposed formulation enables effective instance-level learning and outperforms existing MIL approaches on the SICAP-MIL dataset.
• Abstract（参考訳）: 前立腺癌の病理組織学では、Gleason Scoreは、全スライディング画像の中で最も頻度の高い(Primary)パターンと2番目に頻度が高い(Secondary)Gleasonパターンによって決定される。 これらのスライドレベルのラベルは臨床実践で日常的に利用できるが、インスタンスレベルのGleasonアノテーションはめったに提供されないため、パッチレベルの学習は困難である。 本稿では,スライドレベルのプライマリラベルとセカンダリラベルからインスタンスレベルのGleasonパターンを推定するマルチインスタンス学習(MIL)フレームワークを提案する。 提案手法は,Gleason Scoreの臨床的定義に従って,インスタンス予測をクラスカウントに集約し,プライマリパターン,セカンダリパターン,およびそれらの優位性を明示的にモデル化することによって,インスタンスレベルの学習を定式化する。 実験により,提案手法は,SICAP-MILデータセット上で,実例レベルの学習を効果的に行うことができ,既存のMILアプローチより優れていることが示された。

関連論文リスト

• Clinical Cognition Alignment for Gastrointestinal Diagnosis with Multimodal LLMs [63.535652574541764]
  MLLM(Multimodal Large Language Models)は医用画像解析において顕著な可能性を示した。 消化器内視鏡におけるそれらの応用は、現在、2つの重要な限界によって妨げられている。 本稿では,これらの課題に対処する新しい臨床認知アライメント(CogAlign)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-21T07:47:37Z)
• Learning Consistent Taxonomic Classification through Hierarchical Reasoning [61.372270953201955]
  分類学分類における葉レベル精度と階層的整合性を改善するための2段階階層型推論フレームワークを提案する。 我々のフレームワークはQwen2.5-VL-7Bモデルで実装され、葉レベルと階層的整合性の両方で元の72Bを10%以上上回っている。
  論文  参考訳（メタデータ） (2026-01-21T03:00:00Z)
• Efficient Self-Supervised Grading of Prostate Cancer Pathology [0.06554326244334867]
  提案するフレームワークは,タスク固有の自己教師型学習モデルに基づく。 モデルは、順序回帰に基づくアプローチを用いてISUPグレーディングのタスクのために微調整される。
  論文  参考訳（メタデータ） (2025-01-26T13:22:04Z)
• Position: From Correlation to Causation: Max-Pooling-Based Multi-Instance Learning Leads to More Robust Whole Slide Image Classification [51.95824566163554]
  我々は、十分に訓練された最大プーリングに基づくMILモデルが因果関係に基づく予測を行い、素早い相関に頼らずにすむことを論じる。 提案手法は,2つのデータセットにおいて,既存の注目度に基づく手法よりも優れている。
  論文  参考訳（メタデータ） (2024-08-18T12:15:22Z)
• Poisson Ordinal Network for Gleason Group Estimation Using Bi-Parametric MRI [15.754944195515504]
  グリーソン群は前立腺癌の主要な組織学的分類体系として機能する。 臨床実践では、超音波ガイド下生検で得られた標本に基づいて、病理学者がグリーソン群を決定する。 我々は,MRI画像からGleason群を直接推定し,必要な生検を減らし得る可能性を検討した。
  論文  参考訳（メタデータ） (2024-07-08T09:56:30Z)
• 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)
• Parametric Classification for Generalized Category Discovery: A Baseline Study [70.73212959385387]
  Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。 パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。 エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
  論文  参考訳（メタデータ） (2022-11-21T18:47:11Z)
• Multimodal Generalized Zero Shot Learning for Gleason Grading using Self-Supervised Learning [4.898744396854313]
  前立腺癌の正確な診断には,病理組織像からのグリースングレーディングが不可欠である。 本稿では,非干渉的かつ容易に取得可能なMR画像からGleasonグレードを予測する手法を提案する。
  論文  参考訳（メタデータ） (2021-11-15T10:14:11Z)
• ECKPN: Explicit Class Knowledge Propagation Network for Transductive Few-shot Learning [53.09923823663554]
  クラスレベルの知識は、ほんの一握りのサンプルから人間が容易に学習することができる。 本稿では,この問題に対処する明示的クラス知識伝達ネットワーク(ECKPN)を提案する。 筆者らは,4つの数ショット分類ベンチマークについて広範な実験を行い,提案したECKPNが最先端の手法よりも優れていることを示す実験結果を得た。
  論文  参考訳（メタデータ） (2021-06-16T02:29:43Z)
• WeGleNet: A Weakly-Supervised Convolutional Neural Network for the Semantic Segmentation of Gleason Grades in Prostate Histology Images [1.52819437883813]
  本研究では,前立腺組織における局所的ながんパターンを,訓練中のグローバルレベルGleasonスコアのみを用いて検出する深層学習システムを提案する。 検証コホートにおける癌パターンの画素レベルの予測のために,コーエンの2次カッパ(k)を0.67で取得した。 我々は、Gleasonグレードのセマンティックセグメンテーションのためのモデル性能を、テストコホートにおける教師付き最先端アーキテクチャと比較した。
  論文  参考訳（メタデータ） (2021-05-21T16:27:16Z)
• Self-learning for weakly supervised Gleason grading of local patterns [6.97280833203187]
  本稿では,自己学習CNNに基づく弱教師付きディープラーニングモデルを提案し,パッチレベルのパターンと生検レベルのスコアリングの両方を正確に行う。 提案手法はパッチレベルのGleasonグレーディングにおいて,大きなマージン差で教師付き手法よりも優れていることを実証的に実証した。
  論文  参考訳（メタデータ） (2021-05-21T15:39:50Z)
• The Devil is in Classification: A Simple Framework for Long-tail Object Detection and Instance Segmentation [93.17367076148348]
  本稿では,最新のロングテールLVISデータセットを用いて,最先端の2段階のインスタンスセグメンテーションモデルMask R-CNNの性能低下について検討する。 主な原因は、オブジェクト提案の不正確な分類である。 そこで本研究では,2段階のクラスバランスサンプリング手法により,分類ヘッドバイアスをより効果的に緩和する,簡単な校正フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-23T12:49:07Z)

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。