論文の概要: Semantic-Guided Multimodal Preprocessing for Vision Transformer-Based Clear Cell Renal Cell Carcinoma Grading
- arxiv url: http://arxiv.org/abs/2609.01426v1
- Date: Tue, 01 Sep 2026 15:39:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-02 16:31:36.822802
- Title: Semantic-Guided Multimodal Preprocessing for Vision Transformer-Based Clear Cell Renal Cell Carcinoma Grading
- Title（参考訳）: 視覚変換器を用いたクリアセル腎細胞癌グレーディングのためのセマンティックガイドによるマルチモーダル前処理
- Authors: Fatemeh Javadian, Zhu Chen, Zahra Aminparast, Johannes Stegmaier,
- Abstract要約: 核分類図とRGB病理像を統合する意味誘導型マルチモーダル前処理法を提案する。
提案手法では, 原子核グレーディング情報を活用するために, オーバレイを最適化した分類写像チャネル結合と乗法変調を用いる。
- 参考スコア（独自算出の注目度）: 1.5883048185517088
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Clear cell renal cell carcinoma (CCRCC) grading is essential for treatment planning, yet existing approaches either analyze patch-level images directly or focus solely on nuclei-level classification, without linking to final tumor grading. We propose a semantic-guided multimodal preprocessing method that integrates nuclei classification maps from existing pre-trained models with RGB histopathology images for Vision Transformer (ViT)-based CCRCC grading. Our approach employs classification map channel concatenation and multiplicative modulation, with optimized overlays to leverage nuclei grading information, while preserving RGB textural features. Evaluation of multiple preprocessing strategies demonstrates that semantic-guided enhancement achieves 0.916 balanced accuracy, outperforming RGB-only baseline (0.707) and max-voting aggregation from prior studies (0.427). Sensitivity analysis reveals that this 21 percentage point improvement over baseline persists even under simulated perturbation at rates matching current state-of-the-art nuclei classification model error thresholds, suggesting both effective semantic utilization and practical robustness. These findings show that preprocessing-based multimodal fusion can leverage the diagnostic potential of existing imperfect nuclei classifiers, effectively bridging previously isolated fine-grained nuclear-level analysis with coarse-grained ViT-based patch classification. Per-class recall was consistent across grades (0.93, 0.91, 0.91), indicating that gains are not concentrated in the majority class. Because the sensitivity analysis perturbs ground-truth maps rather than predictions from an actual nuclei model, this result characterizes robustness under simulated error rather than deployment with a real upstream model, which remains for future work.
- Abstract（参考訳）: クリア細胞腎細胞癌(CCRCC)グレーディングは治療計画に不可欠であるが、既存のアプローチではパッチレベルの画像を直接分析するか、最終腫瘍グレーディングにリンクせずに核レベルの分類のみに焦点を当てている。
既存のトレーニング済みモデルから核分類マップとRGBの病理像を統合した,視覚変換器(ViT)を用いたCCRCCグレーディングのための意味誘導型マルチモーダル前処理法を提案する。
提案手法は,RGBのテクスチュラルな特徴を保ちながら,核グレーディング情報を活用するために最適化されたオーバーレイを用いた分類マップチャネル結合と乗法変調を用いる。
複数の前処理戦略の評価は、セマンティック誘導による拡張が0.916のバランスの取れた精度を実現し、RGBのみのベースライン(0.707)と先行研究(0.427)の最大投票アグリゲーションを上回っていることを示している。
感度分析により、この21パーセントの点改善は、現在の最先端核分類モデルエラーしきい値と一致する速度で、模擬摂動の下でも持続し、効果的な意味的利用と実用的堅牢性の両方を示唆していることが明らかとなった。
以上の結果から,前処理によるマルチモーダル核融合は,既存の不完全な核分類器の診断能力を生かし,従来単離されていた微細粒度核レベル解析を粗粒度VTベースのパッチ分類で効果的に行うことが可能であることが示唆された。
クラスごとのリコールはグレード(0.93, 0.91, 0.91)で一貫しており、利得が多数派に集中していないことを示している。
感度解析は実際の原子核モデルからの予測よりも接地構造マップを摂動するので、この結果は実際の上流モデルによる配置よりもシミュレーション誤差下での堅牢性を特徴付ける。
関連論文リスト
- C-Norm: Cell-Distribution Normalization Enables Precision Recognition of Medical-Cell Image [0.0]
ThinPrep Cytological Test (TCT) は早期頸部がん検診を可能にする。
既存のAI検出モデルは、実際の臨床条件下では不十分である。
本稿では,これらの制約に対処する細胞分布正規化(C-Norm)法を提案する。
論文 参考訳（メタデータ） (2026-07-14T14:53:04Z) - PRISM: Perinuclear Ring-based Image Segmentation Method for Acute Lymphoblastic Leukemia Classification [0.0]
核周囲に構築された適応型同心領域に,細胞質の脱線を置き換えたPRISM(Perinuclear Ring-based Image Method)を提案する。
従来の分類器の積み重ねアンサンブルはこれらの記述子を利用して98.46%の精度で高い性能を実現し、精度は0.9937である。
論文 参考訳（メタデータ） (2026-05-13T00:54:12Z) - Suppressing Prior-Comparison Hallucinations in Radiology Report Generation via Semantically Decoupled Latent Steering [94.37535002230504]
本研究では,Semantically Decoupled Latent Steeringと呼ばれる学習自由な推論時間制御フレームワークを開発した。
提案手法は,大言語モデル (LLM) による意味分解による意味のない介入ベクトルを構築する。
本手法は歴史的幻覚の可能性を著しく低下させることを示す。
論文 参考訳（メタデータ） (2026-02-27T04:49:01Z) - 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) - Enhanced Tuberculosis Bacilli Detection using Attention-Residual U-Net and Ensemble Classification [0.0]
Mycobacterium tuberculosisによって引き起こされた結核は、依然として重要な世界的な健康問題であり、タイムリーな診断と治療を必要としている。
蛍光顕微鏡スミア画像からの結核菌の検出法は, 自動化が低く, セグメンテーション性能が不十分で, 分類精度が限られている。
本稿では,セグメント化のためのディープラーニングと分類のためのアンサンブルモデルを組み合わせた,効率的なハイブリッド手法を提案する。
論文 参考訳（メタデータ） (2025-01-07T05:21:13Z) - Transformer-Based Self-Supervised Learning for Histopathological Classification of Ischemic Stroke Clot Origin [0.0]
虚血性脳卒中における血栓塞栓源の同定は治療と二次予防に不可欠である。
本研究は,虚血性脳梗塞の発生源を分類するためのエンボリのデジタル病理学における自己教師型深層学習アプローチについて述べる。
論文 参考訳（メタデータ） (2024-05-01T23:40:12Z) - 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) - 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) - Enhanced Sharp-GAN For Histopathology Image Synthesis [63.845552349914186]
病理組織像合成は、正確ながん検出のためのディープラーニングアプローチの訓練において、データ不足の問題に対処することを目的としている。
核トポロジと輪郭正則化を用いて合成画像の品質を向上させる新しい手法を提案する。
提案手法は、Sharp-GANを2つのデータセット上の4つの画像品質指標すべてで上回る。
論文 参考訳（メタデータ） (2023-01-24T17:54:01Z) - MGTUNet: An new UNet for colon nuclei instance segmentation and
quantification [3.693770437824002]
本稿では,MGTUNet と呼ばれる UNet フレームワークをベースとした核処理のための新しい UNet モデルを提案する。
3つの評価指標とモデルのパラメータサイズを比較することで、MGTUNetはPQで0.6254、mPQで0.6359、R2で0.8695を得た。
論文 参考訳（メタデータ） (2022-10-20T03:00:40Z)
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。