論文の概要: Beyond Classification: Pathology Foundation Models as Detection Encoders for Mitotic Figures
- arxiv url: http://arxiv.org/abs/2607.28007v1
- Date: Thu, 30 Jul 2026 10:56:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-31 21:37:00.51719
- Title: Beyond Classification: Pathology Foundation Models as Detection Encoders for Mitotic Figures
- Title（参考訳）: 分類を超えて: 組織図の検出エンコーダとしての病理基盤モデル
- Abstract要約: 病理基盤モデル(FM)は、典型的にはラベルのない大量のデータに基づいて訓練されており、正規化された潜在空間が得られることが示されている。
現在のFMの潜伏空間が、高密度物体検出パラダイムのバックボーンとして機能するように差別的で空間的に解決された特徴を提供するかどうかはまだ不明である。
画像レベルの自己スーパービジョンで訓練された現在のFMの潜伏空間は、直接的有糸分裂型図形検出に適しており、我々の領域外テストケースでは、わずかに頑健である可能性がある。
- 参考スコア（独自算出の注目度）: 28.870772720455438
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Pathology foundation models (FMs) are models trained on vast amounts of typically unlabeled data and have been shown to yield regularized latent spaces that can be used effectively in downstream classification tasks. This is also true for the classification of mitotic figures vs. other cells. However, it is so far unclear if the latent space of current FMs provides features that are discriminant and spatially suitably resolved to also serve as a backbone for dense object detection paradigms. In this work, we investigate this question for common current pathology FMs (UNI, UNI2-h, Virchow, Virchow2, H-optimus-0, H-optimus-1) and compare their performance against a fully end-to-end trained baseline based on a ResNet50 architecture. We combine FM backbones with representatives of single stage, dual stage and self-attention-based detectors (RetinaNet, Faster R-CNN, Deformable DETR respectively) on the multi-domain MIDOG++ dataset, and on the TUPAC16 dataset as an out-of-domain case. We show that the H-optimus-0 and Virchow models yielded competitive performance, indicating that the latent spaces of current FMs, all trained on image-level self-supervision, are suitable for direct mitotic figure detection and may be slightly more robust on our out-of-domain test case. All code is made available publicly at https://github.com/DeepMicroscopy/FM4MFdet.
- Abstract（参考訳）: 病理基盤モデル(FM)は、典型的にはラベルのない大量のデータに基づいて訓練されたモデルであり、下流の分類タスクで効果的に使用できる正規化された潜在空間が得られることが示されている。
これは、分裂図形と他の細胞との分類にも当てはまる。
しかし、現在のFMの潜伏空間が、高密度物体検出パラダイムのバックボーンとしても機能するように識別的かつ空間的に適切に解決された特徴を提供するかどうかはまだ不明である。
本研究では,現在のFM(UNI, UNI2-h, Virchow, Virchow2, H-optimus-0, H-optimus-1)について,その性能をResNet50アーキテクチャに基づく完全なエンドツーエンドトレーニングベースラインと比較する。
FMバックボーンと単一ステージ,デュアルステージ,自己アテンションベースの検出器(RetinaNet, Faster R-CNN, Deformable DETR)を,マルチドメインMIDOG++データセット上で組み合わせ,TUPAC16データセットをドメイン外ケースとして用いる。
H-optimus-0 と Virchow のモデルでは競合性能が得られ,画像レベルの自己超越で訓練された現在の FM の潜伏空間が直接有意であり,我々の領域外テストケースではわずかに頑健である可能性が示唆された。
すべてのコードはhttps://github.com/DeepMicroscopy/FM4MFdet.comで公開されている。
関連論文リスト
- FLORO: A Multimodal Geospatial Foundation Model for Ecological Remote Sensing Across Sensors and Scales [65.4821703903285]
FLOROは、小さなが高度に多様なリモートセンシングコーパスから転送可能な表現を学習するために設計されたマルチモーダル基礎モデルである。
FLOROは、Sentinel-1、Sentinel-2、SkySAT画像、標高、UAV由来のデータとの不均一な組み合わせによるマスク付きオートエンコーディングを用いて事前訓練される。
我々は、シーン分類、セグメンテーション、回帰タスクにまたがる凍結エンコーダプロトコルを用いて、PANGAEAベンチマーク上でFLOROを評価した。
論文 参考訳（メタデータ） (2026-05-27T08:55:54Z) - MedMamba: Multi-View State Space Models with Adaptive Graph Learning for Medical Time Series Classification [60.41879345743941]
状態空間モデルとドメイン固有の帰納バイアスを統合するエンドツーエンドアーキテクチャであるMedMambaを提案する。
MedMambaは線形計算複雑性を維持しながら最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-05-24T09:23:39Z) - Domain-Adaptive Arrhythmia Classification Using a Hybrid Transformer on Wearable Heart Signals [0.8594140167290097]
本研究では、7つの心拍変動特性(HRV)とともに連続的な心電図信号を処理するハイブリッドトランスフォーマーモデルを提案する。
我々は、最大平均離散性(MMD)を含む表現学習技術を用いて、ソースとターゲットドメイン間の特徴分布を整列する。
未確認領域のウェアラブルデバイスデータでテストすると、F1マクロ95%の精度と96.15%のバランスの取れた精度を達成した。
論文 参考訳（メタデータ） (2026-05-05T22:03:48Z) - Posterior Augmented Flow Matching [64.1559809786948]
後拡張フローマッチング(PAFM)はフローマッチング(FM)の一般化である
PAFMは、異なるモデルスケールで最大3.4FID50KでFMよりも改善されていることを示す。
論文 参考訳（メタデータ） (2026-05-01T17:59:59Z) - ReconMIL: Synergizing Latent Space Reconstruction with Bi-Stream Mamba for Whole Slide Image Analysis [29.765137795042804]
全スライド画像(WSI)解析は、MIL(Multiple Case Learning)に大きく依存している。
このドメインギャップを埋め、グローバルな機能アグリゲーションのバランスをとるために設計された新しいフレームワークであるReconMILを紹介します。
提案手法では,ジェネリックな特徴をコンパクトなタスク固有多様体に適応的に射影するラテント空間再構成モジュールを提案する。
論文 参考訳（メタデータ） (2026-03-20T13:09:54Z) - U-DFA: A Unified DINOv2-Unet with Dual Fusion Attention for Multi-Dataset Medical Segmentation [1.1724961392643483]
U-DFAはDINOv2-Unetエンコーダとデコーダを統一したアーキテクチャで,新たにLGFA(Local-Global Fusion Adapter)を統合し,セグメンテーション性能を向上させる。
本手法は,トレーニング可能なモデルパラメータの33%に過ぎず,Synapse と ACDC のデータセット上での最先端性能を実現する。
論文 参考訳（メタデータ） (2025-10-01T07:06:49Z) - DoSReMC: Domain Shift Resilient Mammography Classification using Batch Normalization Adaptation [0.0]
DoSReMCは、モデル全体をトレーニングすることなく、クロスドメインの一般化を強化するために設計されたバッチ正規化フレームワークである。
DoSReMCは、既存のAIパイプラインに簡単に組み込むことができ、様々な臨床環境に適用できる。
論文 参考訳（メタデータ） (2025-08-21T11:17:54Z) - VAESim: A probabilistic approach for self-supervised prototype discovery [0.23624125155742057]
条件付き変分オートエンコーダに基づく画像階層化アーキテクチャを提案する。
我々は、連続した潜伏空間を用いて障害の連続を表現し、訓練中にクラスターを見つけ、画像/患者の成層に使用することができる。
本手法は,標準VAEに対して,分類タスクで測定されたkNN精度において,ベースラインよりも優れていることを示す。
論文 参考訳（メタデータ） (2022-09-25T17:55:31Z) - MD-CSDNetwork: Multi-Domain Cross Stitched Network for Deepfake
Detection [80.83725644958633]
現在のディープフェイク生成法では、偽画像やビデオの周波数スペクトルに識別的アーティファクトが残されている。
MD-CSDNetwork(MD-CSDNetwork)と呼ばれる新しい手法を提案する。
論文 参考訳（メタデータ） (2021-09-15T14:11:53Z) - PaDiM: a Patch Distribution Modeling Framework for Anomaly Detection and
Localization [64.39761523935613]
本稿では,画像中の異常を同時検出・ローカライズするPatch Distribution Modeling, PaDiMを提案する。
PaDiMは、パッチの埋め込みに事前訓練された畳み込みニューラルネットワーク(CNN)を使用している。
また、CNNの異なるセマンティックレベル間の相関を利用して、異常のローカライズも改善している。
論文 参考訳（メタデータ） (2020-11-17T17:29:18Z) - Self-Challenging Improves Cross-Domain Generalization [81.99554996975372]
畳み込みニューラルネットワーク(CNN)は、ラベルと相関する支配的特徴を活性化することにより、画像分類を行う。
ドメイン外データに対するCNNの一般化を著しく改善する簡単なトレーニングである自己整合表現(RSC)を導入する。
RSCはトレーニングデータ上で活性化される主要な機能に対して反復的に挑戦し、ラベルと相関する残りの機能を有効にするようネットワークに強制する。
論文 参考訳（メタデータ） (2020-07-05T21:42:26Z)
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。