論文の概要: MagViT: Interpretable Multi-Magnification Transformers with Patient-Level Model Selection for Breast Histopathology

• arxiv url: http://arxiv.org/abs/2608.16959v1
• Date: Sun, 16 Aug 2026 18:20:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 21:40:53.075498
• Title: MagViT: Interpretable Multi-Magnification Transformers with Patient-Level Model Selection for Breast Histopathology
• Title（参考訳）: MagViT : 患者レベルモデル選択による乳腺病理組織学的検討
• Abstract要約: MagViTは、スケールゲート融合と患者レベルのモデル選択を備えた、解釈可能な多機能トランスフォーマーフレームワークである。 BreakHisでは, 平均画像精度0.9191, 平均患者精度0.9643, 平均マクロF1.9042を実現している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Breast cancer is one of the most common types of cancer among women around the world. Rapid detection and early treatment can hinder its progress to more complex stages and can impede its spread to other parts of the body. Histopathological image classification is the most common task in cancer detection due to its robustness in analyzing cellular data. Breast histopathology classification requires handling both multi-scale tissue morphology and clinically relevant generalization beyond the source domain. This paper presents MagViT, an interpretable multi-magnification transformer framework with scale-gated fusion and patient-level model selection. The model uses four BreakHis magnifications (40X, 100X, 200X, 400X) and extracts per-scale representations with a ViT backbone, and combines them via a learnable gate that masks missing scales. Patient-level five-fold cross-validation with a fixed seed has been run and compared with three architectural branches. The most accurate branch is then selected as the final model due to the strongest patient-level accuracy while retaining the simplest fusion pathway. On BreakHis, our architecture achieves a mean image accuracy of 0.9191, a mean patient accuracy of 0.9643, and a mean macro-F1 of 0.9042. External transfer experiments provide preliminary evidence of cross-dataset generalization under controlled adaptation settings on BUSI (image accuracy 0.8306, macro-F1 0.7480, patient accuracy 0.8291) and IDC (image accuracy 0.8577, macro-F1 0.8191, patient accuracy 0.8372). Grad-CAM visualization indicates that the model focuses on diagnostically significant and meaningful regions across magnifications. Relative to prior ViT-centered BreakHis work, this study emphasizes patient-level selection and cross-dataset robustness under a reproducible protocol.
• Abstract（参考訳）: 乳がんは、世界中の女性の間で最も一般的な種類のがんの1つである。 迅速検出と早期治療は、より複雑な段階への進行を妨げ、身体の他の部位への拡散を妨げる可能性がある。 病理組織学的画像分類は、細胞データ解析の堅牢性からがん検出において最も一般的な課題である。 乳腺病理組織学的分類は、多スケールの組織形態と、ソースドメインを超えて臨床的に関連する一般化の両方を扱う必要がある。 本稿では,スケールゲート融合と患者レベルのモデル選択を併用した,解釈可能な多磁化トランスフォーマフレームワークであるMagViTを提案する。 このモデルは、4つのBreakHis倍率(40X、100X、200X、400X)を使用し、スケール毎の表現をViTバックボーンに抽出し、行方不明のスケールをマスクする学習可能なゲートを介して組み合わせる。 固定シードによる患者レベルの5倍のクロスバリデーションが実行され、3つのアーキテクチャブランチと比較されている。 最も正確な分岐は、最も単純な融合経路を維持しながら、最強の患者レベルの精度のために最終モデルとして選択される。 BreakHisでは, 平均画像精度0.9191, 平均患者精度0.9643, 平均マクロF1.9042を実現している。 外部転送実験は、BUSI(画像精度0.8306、マクロF1 0.7480、患者精度0.8291)とIDC(画像精度0.8577、マクロF1 0.8191、患者精度0.8372)の制御適応設定下でのクロスデータセットの一般化の予備的証拠を提供する。 Grad-CAMビジュアライゼーションは、診断的に重要な領域と、拡大する領域に焦点を絞っていることを示している。 従来のViT中心のBreakHis研究とは対照的に,再現可能なプロトコル下での患者レベルの選択とデータセット間の堅牢性を強調した。

関連論文リスト

• Searching for Robust Augmentations to Improve Out-of-Domain Generalization in Dermoscopic Skin Cancer Classification [35.18016233072556]
  悪性二分数非悪性一般化のロバスト性を改善するためのデータ拡張法について検討した。 データ拡張は、マルチソースISICアーカイブコレクションで検索された。
  論文  参考訳（メタデータ） (2026-07-29T11:06:06Z)
• DSVTLA: Deep Swin Vision Transformer-Based Transfer Learning Architecture for Multi-Type Cancer Histopathological Cancer Image Classification [4.251634300723203]
  提案するフレームワークは階層型Swin変換器とResNet50ベースの畳み込み機能抽出を統合している。 我々のアプローチは、DenseNet121、DenseNet201、InceptionV3、ResNet50、EfficientNetB3、Swin Transformerモデルなど、最先端のCNNおよび転送モデルと共にベンチマークされている。 以上の結果から, 肺結腸癌, セグメンテーション白血病データセット, 99.23%の検診精度が得られた。
  論文  参考訳（メタデータ） (2026-04-10T16:25:27Z)
• DeepHistoViT: An Interpretable Vision Transformer Framework for Histopathological Cancer Classification [0.0]
  病理組織学は、組織形態の詳細な細胞レベル評価を提供するため、がん診断のゴールドスタンダードのままである。 近年の深層学習の進歩は、医療画像における複雑な空間依存をモデル化する強力な可能性を示している。 組織像の自動分類のためのトランスフォーマーベースのフレームワークであるDeepHistoViTを提案する。
  論文  参考訳（メタデータ） (2026-03-12T00:29:19Z)
• Robust Multicentre Detection and Classification of Colorectal Liver Metastases on CT: Application of Foundation Models [11.274035647041762]
  我々は,CT上のCRLMの患者レベル分類と病変レベル検出のための基礎モデルに基づくAIパイプラインを開発した。 UMedPTは最高の成績を示し,分類用頭部と病変検出用FCOSベースの頭部を微調整した。
  論文  参考訳（メタデータ） (2026-01-12T14:35:29Z)
• A bag of tricks for real-time Mitotic Figure detection [0.0]
  我々は,RTMDet単段物体検出装置の効率的な構築を行い,臨床展開に適した高推論速度を実現する。 偽陽性を減少させるために, ターゲット型, 硬い負のマイニングを壊死組織, 破片組織に適用した。 Mitosis DOmain Generalization (MIDOG) 2025の予備試験セットでは, RTMDet-Sをベースとした一段法が0.81に到達した。
  論文  参考訳（メタデータ） (2025-08-27T11:45:44Z)
• HistoViT: Vision Transformer for Accurate and Scalable Histopathological Cancer Diagnosis [1.5939351525664014]
  マルチクラス腫瘍分類のためのトランスフォーマーに基づくディープラーニングフレームワークを提案する。 本手法は従来の畳み込みニューラルネットワークの限界に対処する。 アプローチ分類では, 乳がん, 前立腺癌, 骨癌, 頸部癌が99.32%, 96.92%, 95.28%, 96.94%であった。
  論文  参考訳（メタデータ） (2025-08-15T03:10:52Z)
• HistoART: Histopathology Artifact Detection and Reporting Tool [37.31105955164019]
  ワイルスライドイメージング(WSI)は、組織標本の詳細な高分解能検査のために広く用いられている。 WSIは、スライドの準備とスキャンの間に導入されたアーティファクトに弱いままです。 本稿では,WSIに対する3つのロバストなアーティファクト検出手法を提案し,比較する。
  論文  参考訳（メタデータ） (2025-06-23T17:22:19Z)
• CIMIL-CRC: a clinically-informed multiple instance learning framework for patient-level colorectal cancer molecular subtypes classification from H\&E stained images [42.771819949806655]
  CIMIL-CRCは、事前学習した特徴抽出モデルと主成分分析(PCA)を効率よく組み合わせ、全てのパッチから情報を集約することで、MSI/MSS MIL問題を解決するフレームワークである。 我々は,TCGA-CRC-DXコホートを用いたモデル開発のための5倍のクロスバリデーション実験装置を用いて,曲線下平均面積(AUC)を用いてCIMIL-CRC法の評価を行った。
  論文  参考訳（メタデータ） (2024-01-29T12:56:11Z)
• A Two-Stage Generative Model with CycleGAN and Joint Diffusion for MRI-based Brain Tumor Detection [41.454028276986946]
  本稿では,脳腫瘍の検出とセグメンテーションを改善するための2段階生成モデル(TSGM)を提案する。 CycleGANは、未ペアデータに基づいてトレーニングされ、データとして正常な画像から異常な画像を生成する。 VE-JPは、合成対の異常画像をガイドとして使用して、健康な画像の再構成を行う。
  論文  参考訳（メタデータ） (2023-11-06T12:58:26Z)
• Classification of lung cancer subtypes on CT images with synthetic pathological priors [41.75054301525535]
  同症例のCT像と病理像との間には,画像パターンに大規模な関連性が存在する。 肺がんサブタイプをCT画像上で正確に分類するための自己生成型ハイブリッド機能ネットワーク(SGHF-Net)を提案する。
  論文  参考訳（メタデータ） (2023-08-09T02:04:05Z)
• Vision Transformers for femur fracture classification [59.99241204074268]
  Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。 史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
  論文  参考訳（メタデータ） (2021-08-07T10:12:42Z)

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。