論文の概要: Destroy Me: Automatic Artifact Generation for Histopathology Images
- arxiv url: http://arxiv.org/abs/2608.27516v1
- Date: Thu, 27 Aug 2026 10:12:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-31 17:16:04.096169
- Title: Destroy Me: Automatic Artifact Generation for Histopathology Images
- Title（参考訳）: Destroy Me: 病理画像の自動アーティファクト生成
- Abstract要約: Destroy Meは、現実的なアーティファクト合成とロバストなデータ拡張のためのフレームワークである。
パッチでトレーニングされたモデルは、独立した実世界のデータセットのベースラインを一貫して上回ります。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Deep learning's diagnostic utility in pathology is constrained by model vulnerability to real-world data imperfections. While current strategies favor "perfect data" by filtering low-quality regions, which can lead to the loss of valuable diagnostic context, we propose a paradigm shift: engineering models to thrive in imperfect environments using "Destroy Me", a hybrid framework for realistic artifact synthesis and robust data augmentation. Our approach combines Stable Diffusion, fine-tuned to preserve morphological continuity by realistically integrating artifacts with the underlying tissue architecture, with physics-based procedural modeling to synthesize six common artifact types: tissue folds, precipitates, blur, stitching errors, dust, and pen markers. Artifact fidelity is assessed using Kernel Inception Distance (KID) and color Wasserstein distance metrics. Validating this strategy on lung adenocarcinoma pattern classification with an nnU-Net, we confirm that models trained on "destroyed" patches consistently outperform baselines on independent real-world datasets. Specifically, we observed a 10.5% relative improvement in macro F1-score and a 15% relative increase in the Cohen's Kappa ($κ$) coefficient. Crucially, our results demonstrate that selective, impact-weighted augmentation is vital for balancing practical robustness with the preservation of subtle diagnostic features.
- Abstract（参考訳）: 病理学におけるディープラーニングの診断ユーティリティは、実世界のデータ不完全性に対するモデル脆弱性によって制限されている。
現状の手法は,低品質領域をフィルタリングすることで,貴重な診断コンテキストの喪失につながる"完全データ"を優先しているが,我々は,現実的なアーティファクト合成とロバストなデータ拡張のためのハイブリッドフレームワークである"Destroy Me"を用いて,不完全な環境で成長するエンジニアリングモデルというパラダイムシフトを提案する。
我々のアプローチは、組織構造と現実的にアーティファクトを統合することで、形態的連続性を維持するために微調整された安定拡散と、組織折り、沈み込み、縫合エラー、ほこり、ペンマーカーの6種類の一般的なアーティファクトを合成するための物理ベースの手続き的モデリングを組み合わせる。
アーティファクトの忠実度は、Kernel Inception Distance(KID)とカラーワッサースタイン距離測定を用いて評価される。
この戦略を nnU-Net を用いて肺腺癌パターンの分類で検証し、「破壊」パッチで訓練されたモデルが、独立した実世界のデータセットのベースラインを一貫して上回っていることを確認した。
具体的には,マクロF1スコアが10.5%向上し,コーエンのKappa(κ$)係数が15%上昇した。
以上の結果から, 選択的, 衝撃重み付き増強は, 微妙な診断的特徴の保存と実用的堅牢性のバランスをとる上で不可欠であることが示唆された。
関連論文リスト
- The Good, the Bad, and the Brittle: Benchmarking Robustness and Generalisation of Histopathology Foundation Models [0.1274452325287335]
12の病理基盤モデル(PFM)とResNetのベースラインをベンチマークした。
PFMは、堅牢性とドメインの一般化の両方においてCNNを一貫して上回っているが、モデルスケーリングはリターンの低下を示している。
NR-Kfold解析では,訓練とテストの類似性が破られた場合,系統的精度の低下と変動の増大が明らかになった。
論文 参考訳（メタデータ） (2026-07-05T16:49:09Z) - DNA: Uncovering Universal Latent Forgery Knowledge [39.19379714306656]
フォージェリ検出機能は、すでにトレーニング済みのモデル内にエンコードされている。
DNAフレームワークは粗大な発掘機構を採用している。
Hifi-Genは、最新のモデルの上に構築された高忠実度合成ベンチマークである。
論文 参考訳（メタデータ） (2026-01-30T03:48:30Z) - Investigating the Impact of Histopathological Foundation Models on Regressive Prediction of Homologous Recombination Deficiency [52.50039435394964]
回帰に基づくタスクの基礎モデルを体系的に評価する。
我々は5つの最先端基礎モデルを用いて、スライド画像全体(WSI)からパッチレベルの特徴を抽出する。
乳房、子宮内膜、肺がんコホートにまたがるこれらの抽出された特徴に基づいて、連続したRDDスコアを予測するモデルが訓練されている。
論文 参考訳（メタデータ） (2026-01-29T14:06:50Z) - Semi-Supervised Domain Adaptation with Latent Diffusion for Pathology Image Classification [1.0306774687933415]
計算病理学におけるディープラーニングモデルは、ドメインシフトのため、コホートや機関をまたいだ一般化に失敗することが多い。
本稿では,ソースドメインとターゲットドメインの両方のラベル付きデータに基づいてトレーニングされた潜時拡散モデルを利用する半教師付きドメイン適応フレームワークを提案する。
提案手法は, ソースコホート性能を低下させることなく, 目標コホートからのホールドアウト試験セットの性能を著しく向上させることができた。
論文 参考訳（メタデータ） (2026-01-23T23:33:48Z) - A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。
CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。
本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
論文 参考訳（メタデータ） (2025-12-15T10:22:43Z) - Automated Multi-label Classification of Eleven Retinal Diseases: A Benchmark of Modern Architectures and a Meta-Ensemble on a Large Synthetic Dataset [1.996975578218265]
我々は、11の網膜疾患を分類するエンドツーエンドのディープラーニングパイプラインを開発した。
合成データのみに訓練されたモデルは,複数の病態を正確に分類し,実際の臨床画像に効果的に一般化できることを示す。
論文 参考訳（メタデータ） (2025-08-21T22:09:53Z) - Adversarial Purification by Consistency-aware Latent Space Optimization on Data Manifolds [48.37843602248313]
ディープニューラルネットワーク(DNN)は、クリーンデータに知覚不能な摂動を加えることで作られた敵のサンプルに対して脆弱であり、誤った危険な予測につながる可能性がある。
本稿では、事前学習された一貫性モデルの潜在空間内のベクトルを最適化し、クリーンなデータを復元するためのサンプルを生成する、一貫性モデルに基づく適応的パーフィケーション(CMAP)を提案する。
CMAPは、高い自然な精度を維持しながら、強力な敵攻撃に対する堅牢性を著しく向上させる。
論文 参考訳（メタデータ） (2024-12-11T14:14:02Z) - Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。
iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
論文 参考訳（メタデータ） (2024-07-10T19:17:23Z) - Incorporating Improved Sinusoidal Threshold-based Semi-supervised Method
and Diffusion Models for Osteoporosis Diagnosis [0.43512163406552007]
骨粗しょう症は、患者の生活の質に深刻な影響を及ぼす一般的な骨格疾患である。
従来の骨粗しょう症診断法は高価で複雑である。
本論文は, 有用性, 正確性, 低コストの利点を有する患者の画像データに基づいて, 骨粗しょう症を自動的に診断することができる。
論文 参考訳（メタデータ） (2024-03-11T08:11:46Z) - A Discrepancy Aware Framework for Robust Anomaly Detection [51.710249807397695]
本稿では,DAF(Disdisrepancy Aware Framework)を提案する。
本手法は,デコーダの欠陥同定に外見に依存しないキューを利用して,その合成外観への依存を緩和する。
単純な合成戦略の下では,既存の手法を大きなマージンで上回り,また,最先端のローカライゼーション性能も達成している。
論文 参考訳（メタデータ） (2023-10-11T15:21:40Z) - Semantic Latent Space Regression of Diffusion Autoencoders for Vertebral
Fracture Grading [72.45699658852304]
本稿では,教師なし特徴抽出器として生成拡散オートエンコーダモデルを訓練するための新しい手法を提案する。
フラクチャーグレーディングを連続回帰としてモデル化し, フラクチャーのスムーズな進行を反映した。
重要なことに,本手法の創成特性は,与えられた脊椎の様々な段階を可視化し,自動グルーピングに寄与する特徴を解釈し,洞察することを可能にする。
論文 参考訳（メタデータ） (2023-03-21T17:16:01Z)
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。