論文の概要: Whole-Slide Image Analysis under Realistic Few-Shot Annotation Protocols
- arxiv url: http://arxiv.org/abs/2608.30420v1
- Date: Mon, 31 Aug 2026 08:17:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:31.304471
- Title: Whole-Slide Image Analysis under Realistic Few-Shot Annotation Protocols
- Title（参考訳）: 実写Few-Shotアノテーションプロトコルによる全スライディング画像解析
- Abstract要約: 本研究では,空間的および生物学的な手がかりを組み合わせ,条件付きランダムフィールドを全スライド画像に適用するSlideCRFを提案する。
また,空間的局所的なクリックとスクリブルに基づく,現実的なアノテーションプロトコルのセットも提供する。
- 参考スコア（独自算出の注目度）: 19.724558192829093
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automating the analysis of whole-slide images has high clinical value, since characterizing cancers requires examining them in detail. Such analysis increasingly relies on vision-language models that provide patch-level zero-shot predictions. However, these predictions remain noisy and must be refined with a few annotations. A promising paradigm for this refinement is few-shot transduction. Rather than treating each patch independently, these methods leverage the relations between patches, together with a few annotations, to refine all predictions jointly. However, current transductive methods are evaluated under conditions that overlook key properties of whole-slide images: (i) datasets consist of independent patches extracted from multiple slides, ignoring the complex tissue organization; (ii) datasets are mostly balanced, whereas a single whole-slide image exhibits severe class imbalance, with several classes absent; and (iii) annotations are sampled at random, without reflecting how a pathologist annotates a limited number of regions. To align the transduction paradigm to realistic whole-slide settings, we introduce the following contributions. First, we propose SlideCRF, which adapts conditional random fields for whole-slide images by combining spatial and biological cues while accounting for classes that may be absent from a given slide. Second, we provide a set of realistic annotation protocols, based on spatially localized clicks and scribbles, modeling different pathologist interactions, such as the iterative correction of model errors. Across four datasets, we show that SlideCRF outperforms current transductive methods in macro F1, improving over the zero-shot predictions by +24.2% and +37.5% with one and 16 clicks per present class, respectively.
- Abstract（参考訳）: がんの特徴付けには詳細な検査が必要であるため,全スライディング画像の解析の自動化は臨床的価値が高い。
このような分析は、パッチレベルのゼロショット予測を提供する視覚言語モデルにますます依存している。
しかし、これらの予測はうるさいままであり、いくつかのアノテーションで洗練されなければならない。
この改良のための有望なパラダイムは、数発のトランスダクションである。
それぞれのパッチを個別に扱うのではなく、パッチ間の関係をいくつかのアノテーションとともに利用して、すべての予測を共同で洗練する。
しかし、現在のトランスダクティブ法は、全スライディング画像のキー特性を見落としている条件下で評価される。
一 複雑な組織組織を無視して、複数のスライドから抽出した独立したパッチからなるデータセット
(ii)データセットは概ねバランスが取れているのに対し、単一のスライディング画像は深刻なクラス不均衡を示し、いくつかのクラスが欠落している。
(iii)アノテーションは、病理学者が限られた数の領域にアノテートする方法を反映することなく、ランダムにサンプリングされる。
トランスダクションのパラダイムを現実的な全スライド設定に整合させるため、以下のコントリビューションを紹介する。
まず,任意のスライドから欠落する可能性のあるクラスを考慮に入れながら,空間的および生物学的な手がかりを組み合わせることで,全スライド画像に対して条件付きランダムフィールドを適用するSlideCRFを提案する。
第2に、空間的局所的なクリックとスクリブルに基づいて、モデルエラーの反復的修正などの異なる病理学相互作用をモデル化する、現実的なアノテーションプロトコルのセットを提供する。
4つのデータセットで、SlideCRFはマクロF1における現在のトランスダクティブメソッドよりも優れており、ゼロショットの予測は+24.2%、+37.5%向上し、各クラスは1クリック16クリックとなっている。
関連論文リスト
- A Prototype-Guided Coarse Annotations Refining Approach for Whole Slide Images [4.562061988943637]
スライド画像全体における微粒なアノテーションは、様々な病理領域の境界を示す。
粗いアノテーションを精錬する既存の方法は、広範囲のトレーニングサンプルやクリーンなデータセットに頼っていることが多い。
本稿ではプロトタイプ誘導方式を提案する。
論文 参考訳（メタデータ） (2025-03-25T07:34:06Z) - Probably Approximately Precision and Recall Learning [60.00180898830079]
機械学習における重要な課題は、一方的なフィードバックの頻度である。
本稿では,確率的近似(PAC)フレームワークを導入し,各入力をラベルの集合にマッピングする仮説を定めている。
我々は、正のデータのみから学習する新しいアルゴリズムを開発し、実現可能な場合において最適なサンプル複雑性を実現する。
論文 参考訳（メタデータ） (2024-11-20T04:21:07Z) - A Bayesian Approach to Weakly-supervised Laparoscopic Image Segmentation [1.9639956888747314]
スパースアノテーションを用いた腹腔鏡下画像分割法について検討した。
本稿では,モデルのセグメンテーションの精度と解釈可能性を高めるために,ベイズ的深層学習手法を提案する。
論文 参考訳（メタデータ） (2024-10-11T04:19:48Z) - Rethinking Semi-Supervised Medical Image Segmentation: A
Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。
まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。
5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文 参考訳（メタデータ） (2023-02-03T13:50:25Z) - From slides (through tiles) to pixels: an explainability framework for
weakly supervised models in pre-clinical pathology [1.53934570513443]
本稿では,新しいeXplainable AI(XAI)フレームワークの提案と,デジタル病理学におけるWSI(Whole Slide Images)を用いた深層学習モデルへの応用について述べる。
具体的には,スライドレベルラベルのみに基づくマルチインスタンス学習(MIL)モデルに適用する。
スライド全体の重要なタイルの説明は,正常な部位と病変の組織変化と相関するが,ヒトのアノテータのように振る舞うことはない。
論文 参考訳（メタデータ） (2023-02-03T10:57:21Z) - Bootstrapping Semi-supervised Medical Image Segmentation with
Anatomical-aware Contrastive Distillation [10.877450596327407]
半教師型医用画像セグメンテーションのための解剖学的認識型ConTrastive dIstillatiONフレームワークであるACTIONを提案する。
まず, 正対と負対の2値監督ではなく, 負対をソフトにラベル付けして, 反復的コントラスト蒸留法を開発した。
また、サンプルデータの多様性を強制するために、ランダムに選択された負の集合から、より意味論的に類似した特徴を抽出する。
論文 参考訳（メタデータ） (2022-06-06T01:30:03Z) - A Hierarchical Transformation-Discriminating Generative Model for Few
Shot Anomaly Detection [93.38607559281601]
各トレーニングイメージのマルチスケールパッチ分布をキャプチャする階層的生成モデルを開発した。
この異常スコアは、スケール及び画像領域にわたる正しい変換のパッチベースの投票を集約して得られる。
論文 参考訳（メタデータ） (2021-04-29T17:49:48Z) - Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。
共通情報と相補情報の両方を敵意で抽出することを目的としている。
特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文 参考訳（メタデータ） (2021-02-15T18:46:44Z) - Overcoming the limitations of patch-based learning to detect cancer in
whole slide images [0.15658704610960567]
ディープラーニングモデルをトレーニングする際、WSI(Whole Slide Image)がユニークな課題を提起する。
われわれは,スライド全体にわたって,がんの局所化や分節を正確に行う必要がある方法と,パッチやスライドレベルの分類の違いを概説する。
本稿では, 偽陽性率を大幅に低減し, 問題点に関連する各指標を改善する負のデータサンプリング戦略を提案する。
論文 参考訳（メタデータ） (2020-12-01T16:37:18Z) - Self-Supervised Tuning for Few-Shot Segmentation [82.32143982269892]
Few-shotのセグメンテーションは、アノテートされたサンプルがほとんどない各画像ピクセルにカテゴリラベルを割り当てることを目的としている。
既存のメタラーニング手法では, 画像から抽出した視覚的特徴を埋め込み空間に埋め込むと, カテゴリー別識別記述子の生成に失敗する傾向にある。
本稿では,複数のエピソードにまたがる潜在特徴の分布を,自己分割方式に基づいて動的に調整する適応型フレームワークチューニングを提案する。
論文 参考訳（メタデータ） (2020-04-12T03:53:53Z) - Embedding Propagation: Smoother Manifold for Few-Shot Classification [131.81692677836202]
本稿では, 組込み伝搬を非教師なし非パラメトリック正規化器として, 数ショット分類における多様体平滑化に用いることを提案する。
埋め込み伝播がより滑らかな埋め込み多様体を生み出すことを実証的に示す。
複数の半教師付き学習シナリオにおいて,埋め込み伝搬によりモデルの精度が最大16%向上することを示す。
論文 参考訳（メタデータ） (2020-03-09T13:51:09Z)
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。