Fugu-MT 論文翻訳(概要): Test-Time Instance Selection for Improved Whole Slide Image Analysis

論文の概要: Test-Time Instance Selection for Improved Whole Slide Image Analysis

arxiv url: http://arxiv.org/abs/2608.14759v1
Date: Fri, 14 Aug 2026 09:05:50 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-18 19:59:03.071608
Title: Test-Time Instance Selection for Improved Whole Slide Image Analysis
Title（参考訳）: 改良された全スライド画像解析のためのテスト時間インスタンス選択
Abstract要約: Whole Slide Image (WSI) は癌診断のために広く研究されている。提案するTTIS(Test-Time Instance Selection)は,推論中にコンパクトだが代表的パッチを選択する,トレーニング不要のプラグイン・アンド・プレイフレームワークである。
参考スコア（独自算出の注目度）: 2.265281078547089
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Whole Slide Image (WSI) analysis has been widely studied for cancer diagnosis. Conventionally, a gigapixel WSI is divided into small patches and processed by Multiple Instance Learning (MIL) models. However, existing MIL models typically process all patches, many of which contain redundant or non-informative tissue patterns. Although recent approaches have focused on instance selection to identify discriminative patches and reduce redundancy, these selection modules still require additional training. In this work, we propose Test-Time Instance Selection (TTIS), a training-free, plug-and-play framework that selects compact yet representative patches during inference. TTIS further incorporates a multi-view ensemble strategy to integrate distinct facets of tissue morphology, enhancing robustness. Importantly, TTIS can be seamlessly integrated into existing MIL models without retraining or architectural changes, enabling flexible deployment. Extensive evaluations across multiple benchmarks demonstrate that our approach improves or matches baseline MIL performance across a range of classification and subtyping tasks. Our implementation code is available at https://github.com/QuIIL/TTIS
Abstract（参考訳）: Whole Slide Image (WSI) は癌診断のために広く研究されている。従来、ギガピクセルのWSIは小さなパッチに分割され、MIL(Multiple Instance Learning)モデルで処理される。しかし、既存のMILモデルは一般的にすべてのパッチを処理し、その多くが冗長または非情報的組織パターンを含んでいる。最近のアプローチでは、識別パッチの識別と冗長性の低減にインスタンスの選択に重点を置いているが、これらの選択モジュールには追加のトレーニングが必要である。本研究では,提案するTTIS(Test-Time Instance Selection)を提案する。 TTISはさらに、組織形態の異なる面を統合するための多視点アンサンブル戦略を導入し、堅牢性を高めている。重要なことは、TTISは再トレーニングやアーキテクチャの変更なしに既存のMILモデルにシームレスに統合することができ、柔軟なデプロイメントを可能にします。複数のベンチマークで広範囲な評価を行った結果,本手法は分類タスクやサブタイプタスクにまたがるベースラインMILの性能を改善したり,一致させたりしていることがわかった。私たちの実装コードはhttps://github.com/QuIIL/TTISで利用可能です。

関連論文リスト

TokaMind: A Multi-Modal Transformer Foundation Model for Tokamak Plasma Dynamics [56.073642366268764]
TokaMindは、核融合プラズマモデリングのためのオープンソースの基礎モデルフレームワークである。公開されているMASTデータセットから、異種トカマク診断をトレーニングする。我々は最近発表されたMASTベンチマークのTokaMarkでTokaMindを評価した。
論文参考訳（メタデータ） (2026-02-16T12:26:07Z)
One Language-Free Foundation Model Is Enough for Universal Vision Anomaly Detection [65.11602552904456]
Universal Visual Anomaly Detection (AD) は、オープンかつダイナミックなシナリオに向けて、異常画像とセグメント異常領域を識別することを目的としている。現在の手法は、複雑なプロンプトエンジニアリング、精巧な適応モジュール、そして挑戦的な訓練戦略に苦しむことが多い。本稿では,Universal Vision Anomaly Detection(UniADet)のための,恥ずかしいほどシンプルで汎用的で効果的なフレームワークを提案する。
論文参考訳（メタデータ） (2026-01-09T06:05:18Z)
Multiple Instance Learning Framework with Masked Hard Instance Mining for Gigapixel Histopathology Image Analysis [23.804037825593923]
マスク付きハードインスタンスマイニング(MHIM-MIL)を用いたマルチインスタンス学習(MIL)フレームワークを提案する。 MHIM-MILは、クラス対応のインスタンス確率を用いて、運動量教師を使用して、有能なインスタンスをマスクし、学生モデルのトレーニングのために暗黙的にハードインスタンスをマイニングする。 MHIM-MILは, 癌診断, サブタイプ, 生存分析タスク, および12のベンチマークによる実験結果から, MHIM-MILが性能および効率の両方において, 最新の手法より優れていることが示された。
論文参考訳（メタデータ） (2025-09-15T02:31:33Z)
SemaMIL: Semantic-Aware Multiple Instance Learning with Retrieval-Guided State Space Modeling for Whole Slide Images [17.674866281320046]
SemaMILは,スライド画像全体から識別特徴を抽出する適応的手法である。セマンティックに類似したパッチを、可逆的な置換によってシーケンスでクラスタ化する。 FLOPやパラメータを少なくして最先端のサブタイプ精度を実現する。
論文参考訳（メタデータ） (2025-08-30T10:13:18Z)
Reducing Variability of Multiple Instance Learning Methods for Digital Pathology [2.9284034606635267]
デジタル病理学は、組織サンプルを全スライド画像(WSI)にデジタル化することで、この分野に革命をもたらした。 WSIは、しばしばグローバルラベルで小さなパッチに分割される。 MIL法はWSI分類に適した解法として登場した。
論文参考訳（メタデータ） (2025-06-30T22:10:24Z)
Pathological Prior-Guided Multiple Instance Learning For Mitigating Catastrophic Forgetting in Breast Cancer Whole Slide Image Classification [50.899861205016265]
乳癌のWSI分類における破滅的忘れを緩和する新しい枠組みであるPaGMILを提案する。私たちのフレームワークでは、共通のMILモデルアーキテクチャに2つの重要なコンポーネントを導入しています。複数の乳がんデータセットを対象としたPaGMILの連続学習性能の評価を行った。
論文参考訳（メタデータ） (2025-03-08T04:51:58Z)
Partially Supervised Unpaired Multi-Modal Learning for Label-Efficient Medical Image Segmentation [53.723234136550055]
我々は、新しい学習パラダイムを部分教師付き無ペア型マルチモーダルラーニング(PSUMML)と呼ぶ。そこで我々は,DEST (Ensembled Self-Training) フレームワークを用いた新しい部分クラス適応法を提案する。我々のフレームワークは、部分的にラベル付けされていないマルチモーダルデータを用いて学習するためのモダリティ特定正規化層を持つコンパクトなセグメンテーションネットワークで構成されている。
論文参考訳（メタデータ） (2025-03-07T07:22:42Z)
Dynamic Policy-Driven Adaptive Multi-Instance Learning for Whole Slide Image Classification [26.896926631411652]
マルチインスタンスラーニング (MIL) は, バッグや疑似バッグを用いた病理組織像全体(WSI)解析において, 優れた性能を示した。既存のMILベースの技術は、少なくとも1つ以上の問題に悩まされている: 1) 多数のインスタンスに対して高いストレージと集中的な事前処理を必要とすること(サンプリング)、2) バッグラベルを予測するための限られた知識を持つ潜在的な過剰適合(機能表現)、3) 擬似バグカウントと事前バイアスはモデルの堅牢性と一般化可能性(意思決定)に影響を与える。
論文参考訳（メタデータ） (2024-03-09T04:43:24Z)
MamMIL: Multiple Instance Learning for Whole Slide Images with State Space Models [56.37780601189795]
本稿では,WSI分析のためのフレームワークMamMILを提案する。私たちは各WSIを非指向グラフとして表現します。マンバが1次元シーケンスしか処理できない問題に対処するために、トポロジ対応の走査機構を提案する。
論文参考訳（メタデータ） (2024-03-08T09:02:13Z)
RetICL: Sequential Retrieval of In-Context Examples with Reinforcement Learning [53.52699766206808]
In-Context Learning (RetICL) のための検索式を提案する。 RetICLは数学用語の問題解決と科学的質問応答のタスクに基づいて評価し,一貫した性能や一致,学習可能なベースラインを示す。
論文参考訳（メタデータ） (2023-05-23T20:15:56Z)
TPMIL: Trainable Prototype Enhanced Multiple Instance Learning for Whole Slide Image Classification [13.195971707693365]
我々は、弱い教師付きWSI分類のための訓練可能なプロトタイプ強化深層MILフレームワークを開発した。本手法により, 異なる腫瘍のサブタイプ間の相関関係を明らかにすることができる。提案手法を2つのWSIデータセット上でテストし,新たなSOTAを実現する。
論文参考訳（メタデータ） (2023-05-01T07:39:19Z)
Discovery-and-Selection: Towards Optimal Multiple Instance Learning for Weakly Supervised Object Detection [86.86602297364826]
複数インスタンス学習(DS-MIL)と融合した発見・選択手法を提案する。我々の提案するDS-MILアプローチは,最先端の性能を報告しながら,ベースラインを一貫して改善することができる。
論文参考訳（メタデータ） (2021-10-18T07:06:57Z)

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。