論文の概要: InfoDPP-PAC: Principled Patch Selection for Whole Slide Image Analysis

• arxiv url: http://arxiv.org/abs/2608.23574v1
• Date: Tue, 07 Jul 2026 08:23:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.329722
• Title: InfoDPP-PAC: Principled Patch Selection for Whole Slide Image Analysis
• Title（参考訳）: InfoDPP-PAC:全スライド画像解析のための原則的パッチ選択
• Abstract要約: 本稿では,教師によるガウス過程の関連性モデリング,決定的対数決定的多様性,部分モジュラーグリード最適化,集中型適応停止規則を組み合わせたパッチ選択フレームワークを提案する。 202 HISTAIの消化管全スライディング画像では、適応規則は、固定された全予算よりも平均83.7%少ないパッチを使用し、全予算の97.9%を維持できる。
• 参考スコア（独自算出の注目度）: 35.33255892731908
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Each WSI slide contains thousands of candidate tissue patches, while supervision is usually available only at slide level. Existing bag-construction strategies like Uniform extraction and handcrafted heuristics do not control redundancy while attention-based multiple-instance models couple patch importance to a particular downstream classifier, and coreset methods optimise embedding-space coverage without modelling task-relevant patch quality. We introduce InfoDPP-PAC, a principled patch-selection framework that combines teacher-seeded Gaussian process relevance modelling, determinantal log-determinant diversity,submodular greedy optimisation, and a concentration-based adaptive stopping rule. The main theoretical result shows that the log-determinant diversity term used in DPP-style selection is the Gaussian process mutual information between a selected subset and the latent relevance function. We further derive a PAC-style certificate for residual information gain, allowing the number of retained patches to vary by slide rather than being fixed a priori. The empirical study evaluates whether the selected subset is diverse, spatially and morphologically covering, non-redundant, and enriched for the teacher-derived relevance signal. It does not claim end-to-end diagnostic improvement after retraining a downstream MIL model. On 202 HISTAI gastrointestinal whole-slide images, the adaptive rule uses 83.7% fewer patches on average than a fixed full budget while retaining 97.9% of full-budget composite selection quality. At a matched budget, InfoDPP-PAC achieves the highest mean teacher-derived relevance score among fourteen baselines, with diversity and composite scores close to the strongest coreset methods. The results support InfoDPP-PAC as a controlled quality-diversity-cardinality selection framework, rather than as a downstream clinical predictor.
• Abstract（参考訳）: 各WSIスライドには数千の組織パッチが含まれており、監視は通常、スライドレベルでのみ利用可能である。 統一抽出や手作りヒューリスティックのような既存のバッグ構成戦略は冗長性を制御しないが、注意に基づく多重インスタンスモデルは特定の下流分類器にパッチの重要性を結合し、コアセット法はタスク関連パッチの品質をモデル化することなく埋め込み空間のカバレッジを最適化する。 本稿では,教師によるガウス過程の関連性モデリング,決定的対数決定的多様性,部分モジュラーグリーディ最適化,集中型適応停止規則を組み合わせた,原則的パッチ選択フレームワークInfoDPP-PACを紹介する。 DPP型選択で用いられる対数決定的多様性項は、選択された部分集合と潜在関連関数の間のガウス過程の相互情報であることを示す。 さらに、残余情報取得のためのPAC方式の証明書を導出し、プリオリを固定するのではなく、スライドによって保持されるパッチの数を変更できるようにした。 実験により,選択したサブセットが多様で,空間的,形態的にカバーされ,非冗長であり,教師による関連信号に富むか否かを評価する。 下流のMILモデルを再訓練した後のエンドツーエンドの診断改善は主張していない。 202 HISTAIの消化管全スライディング画像では、適応規則は、固定された全予算よりも平均83.7%少ないパッチを使用し、全予算の97.9%を維持できる。 一致した予算において、InfoDPP-PACは、最強のコアセット手法に近い多様性と複合スコアを持つ14のベースラインの中で、教師による関連度が最も高いスコアを達成している。 その結果, インフォDPP-PACは, 下流臨床予測因子としてではなく, 品質・多様性・心拍選択の枠組みとして支持された。

関連論文リスト

• Distribution-based deep multiple instance learning for tumor proportion scoring in NSCLC [0.0]
  非小細胞肺癌(NSCLC)における腫瘍の割合スコア(TPS)は、治療計画と予後に重要である。 主な課題は、各スライドに注釈をつけるのに必要な面倒な手作業と、このタスクで認定された専門家の限られた数だ。 複数のインスタンス学習(MIL)は、スライドレベルでのTPSスコアを予測する効果的なアプローチであることが証明されている。
  論文  参考訳（メタデータ） (2026-06-25T22:11:29Z)
• Explaining RhythmFormer: A Systematic XAI Analysis of Periodic Sparse Attention for Remote Photoplethysmography [1.647210198730602]
  Photoplethys変換器は、ベンチマークで心拍数エラーが低いが、その決定は不透明である。 既存のXAIは、定量的忠実度測定や生理的根拠による検証を伴わない定性的なヒートマップ検査によって支配されている。 我々は、RhythmFormerの2レベルの注意をトップ$k$選択で定量化するために、4つの方法(raw attention, rollout, flow, Beyond Intuition)を適用する。
  論文  参考訳（メタデータ） (2026-06-11T19:10:06Z)
• Soft Tuy-Completeness for Robust Projection Selection in Cone-Beam CT [4.213649496201482]
  本研究は、関心領域集束コーンビームCTにおける投射選択のための、連続したソフトなほぼ直交性スコアと、分解能を考慮した飽和被曝目標を導入する。
  論文  参考訳（メタデータ） (2026-05-20T12:37:15Z)
• EvoPS: Evolutionary Patch Selection for Whole Slide Image Analysis in Computational Pathology [0.0]
  マルチオブジェクト最適化問題としてパッチ選択を定式化する新しいフレームワークであるEvoPSを提案する。 The Cancer Genome Atlasの4つの主要ながんコホートにまたがって、我々の枠組みを検証した。
  論文  参考訳（メタデータ） (2025-11-10T19:07:44Z)
• AHDMIL: Asymmetric Hierarchical Distillation Multi-Instance Learning for Fast and Accurate Whole-Slide Image Classification [51.525891360380285]
  AHDMILは非対称な階層的蒸留マルチインスタンス学習フレームワークである。 2段階のトレーニングプロセスを通じて、無関係なパッチを排除します。 分類性能と推論速度の両方において、従来の最先端手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2025-08-07T07:47:16Z)
• Project-Probe-Aggregate: Efficient Fine-Tuning for Group Robustness [61.45587642780908]
  画像テキスト基礎モデルのパラメータ効率向上のための3段階のアプローチを提案する。 本手法は, マイノリティ標本同定とロバストトレーニングアルゴリズムの2つの重要な要素を改良する。 我々の理論分析は,PPAが少数群の識別を向上し,バランスの取れたグループエラーを最小限に抑えるためにベイズが最適であることを示している。
  論文  参考訳（メタデータ） (2025-03-12T15:46:12Z)
• SeWA: Selective Weight Average via Probabilistic Masking [51.015724517293236]
  より良く、より高速な収束を達成するためには、ほんの数ポイントしか必要としないことを示す。 離散選択問題を連続的な部分集合最適化フレームワークに変換する。 両凸画像チェックポイントの値よりもシャープなSeWAの安定性境界を導出する。
  論文  参考訳（メタデータ） (2025-02-14T12:35:21Z)
• NearbyPatchCL: Leveraging Nearby Patches for Self-Supervised Patch-Level Multi-Class Classification in Whole-Slide Images [10.8479107614771]
  全スライディング画像(WSI)解析は、がんの診断と治療において重要な役割を担っている。 本稿では,新しい自己教師型学習手法であるNearby Patch Contrastive Learning(NearbyPatchCL)を紹介する。 本手法は,トップ1分類精度87.56%で,教師付きベースラインと最先端SSL法を著しく上回っている。
  論文  参考訳（メタデータ） (2023-12-12T18:24:44Z)

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。