論文の概要: One Model to Magnify Them All: Efficient Scale-Invariant Histopathology via Conditional Normalization and Continuous Magnification Training
- arxiv url: http://arxiv.org/abs/2608.09403v1
- Date: Mon, 10 Aug 2026 10:28:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:37.208139
- Title: One Model to Magnify Them All: Efficient Scale-Invariant Histopathology via Conditional Normalization and Continuous Magnification Training
- Title（参考訳）: 全てを拡大する1つのモデル:条件付き正規化と継続的拡大訓練による効率的なスケール不変組織病理学
- Abstract要約: ディープラーニングモデルは、スケールの変動に敏感である。
本研究では,小画素サイズからアフィンパラメータを生成する機構である条件正規化(CLN)を提案する。
PANDA前立腺癌データセットでは、我々のアプローチは独立に訓練された単磁化モデルと一致し、評価された倍率ごとに上位3人のパフォーマーの中でランク付けされる。
- 参考スコア（独自算出の注目度）: 2.519619892651923
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Whole slide images (WSIs) in digital histopathology are acquired at discrete magnification levels encoding complementary diagnostic information from global tissue architecture to fine-grained cellular morphology. Yet, deep learning models remain sensitive to scale variation. Existing magnification-invariant methods rely on multi-scale architectures at predefined discrete resolutions, while in clinical deployment the acquisition magnification varies continuously, rarely aligns with a model's fixed training resolution, and intermediate scales are common, so robust coverage otherwise demands a costly ensemble of magnification-specific models. We propose Conditional Layer Normalization (CLN), a lightweight mechanism that generates affine normalization parameters from input pixel size via a small MLP, integrated into standard CNN architectures for both WSI classification and segmentation. Trained on patches sampled continuously across a range of pixel sizes, the model decouples inference from scanner-dependent magnification and generalizes to arbitrary, previously unseen scales at test time. On the PANDA prostate cancer dataset, our approach on average matches or exceeds independently trained single-magnification models and ranks among the top three performers at every evaluated magnification, including those unseen during training. This collapses a five-model ensemble into a single network and reduces training, and inference cost roughly 4-5 times, while leaving the multiply-accumulate count unchanged. The code is available at: https://github.com/aflorkowska/OneModelToMagnifyThemAll.
- Abstract（参考訳）: 大局的な組織構造から微細な細胞形態への相補的な診断情報をコードする離散倍率レベルで、デジタル組織学における全スライド画像(WSI)を取得する。
しかし、ディープラーニングモデルは、スケールのバリエーションに敏感なままだ。
既存の倍率不変法は、事前定義された離散分解能のマルチスケールアーキテクチャに依存しているが、臨床展開においては、取得倍率は連続的に変化し、モデルの固定されたトレーニング解像度とほとんど一致しない。
入力画素サイズから小さなMLPを用いてアフィン正規化パラメータを生成する軽量なメカニズムであるConditional Layer Normalization (CLN)を提案し、WSI分類とセグメンテーションの両方のために標準CNNアーキテクチャに統合する。
さまざまなピクセルサイズで継続的にサンプリングされたパッチに基づいてトレーニングされたこのモデルは、スキャナ依存の倍率から推論を分離し、テスト時に任意の、以前は見えなかったスケールに一般化する。
PANDA前立腺癌データセットでは,個別に訓練された単磁化モデルと,トレーニング中に目に見えないものを含む評価された各倍率で上位3人の選手にランク付けする。
これにより、5モデルアンサンブルを1つのネットワークに分解し、トレーニングを減らし、推論コストはおよそ4～5倍になるが、乗算累積数は変わらない。
コードは、https://github.com/aflorkowska/OneModelToMagnifyThemAllで入手できる。
関連論文リスト
- Learning Covariance-Based Multi-Scale Representation of Neuroimaging Measures for Alzheimer Classification [5.427921447614832]
モデルサイズが合理的に増大した効率的な高次元空間を導出できる枠組みを提案する。
Alzheimer's Disease Neuroimaging Initiative (ADNI) による神経画像計測実験により、我々のモデルはより良い性能を示した。
トレーニングされたモデルは、マルチスケール変換上の勾配情報を用いて解釈可能とし、パーソナライズされたAD特異的領域を脳内に記述する。
論文 参考訳（メタデータ） (2025-03-03T06:55:35Z) - ZoomLDM: Latent Diffusion Model for multi-scale image generation [57.639937071834986]
複数のスケールで画像を生成するための拡散モデルZoomLDMを提案する。
我々のアプローチの中心は、自己教師あり学習(SSL)埋め込みを利用した、新たな拡大対応条件付け機構である。
ZoomLDMは、コンテキスト的に正確であり、異なるズームレベルで詳細なコヒーレントな病理像を合成する。
論文 参考訳（メタデータ） (2024-11-25T22:39:22Z) - Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。
提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。
医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
論文 参考訳（メタデータ） (2024-03-19T09:28:19Z) - Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。
半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文 参考訳（メタデータ） (2023-12-26T12:56:31Z) - Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。
本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。
実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
論文 参考訳（メタデータ） (2023-10-22T02:27:02Z) - Structured State Space Models for Multiple Instance Learning in Digital
Pathology [2.7221491938716964]
本稿では,デジタル病理学における様々な問題に対して,状態空間モデルを複数インスタンス学習者として用いることを提案する。
転移検出, 癌サブタイプ, 突然変異分類, マルチタスク学習における実験を通じて, この新しいモデルの競争力を実証した。
論文 参考訳（メタデータ） (2023-06-27T20:38:09Z) - Omni-Seg+: A Scale-aware Dynamic Network for Pathological Image
Segmentation [13.182646724406291]
糸球体の断面領域は、管周囲の毛細血管の64倍の大きさである。
マルチオブジェクト(6つの組織型)とマルチスケール(5Xから40Xスケール)の画像セグメンテーションを実現する,スケール対応の動的ニューラルネットワークであるOmni-Seg+ネットワークを提案する。
論文 参考訳（メタデータ） (2022-06-27T21:09:55Z) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳（メタデータ） (2022-04-19T10:41:09Z) - Automatic size and pose homogenization with spatial transformer network
to improve and accelerate pediatric segmentation [51.916106055115755]
空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。
私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。
腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
論文 参考訳（メタデータ） (2021-07-06T14:50:03Z) - An End-to-End Breast Tumour Classification Model Using Context-Based
Patch Modelling- A BiLSTM Approach for Image Classification [19.594639581421422]
我々は, この関係を, 特定の腫瘍領域から抽出したパッチ間の特徴に基づく相関関係と統合しようと試みている。
我々は、顕微鏡画像とWSI腫瘍領域の2つのデータセットでモデルをトレーニングし、テストした。
CNN機能付きBiLSTMは、パッチをエンドツーエンドの画像分類ネットワークにモデル化する上で、はるかに優れた性能を示した。
論文 参考訳（メタデータ） (2021-06-05T10:43:58Z) - Locally Masked Convolution for Autoregressive Models [107.4635841204146]
LMConvは標準的な2Dコンボリューションの簡単な修正であり、任意のマスクを画像の各位置の重みに適用することができる。
我々は,パラメータを共有するが生成順序が異なる分布推定器のアンサンブルを学習し,全画像密度推定の性能を向上させる。
論文 参考訳（メタデータ） (2020-06-22T17:59:07Z)
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。