論文の概要: CrossScale-GLIO: Topology-Preserving Vision-Language Alignment of MRI and Whole-Slide Histopathology for Diffuse Glioma
- arxiv url: http://arxiv.org/abs/2609.28524v1
- Date: Tue, 04 Aug 2026 06:35:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:56.038677
- Title: CrossScale-GLIO: Topology-Preserving Vision-Language Alignment of MRI and Whole-Slide Histopathology for Diffuse Glioma
- Title（参考訳）: びまん性グリオーマに対するCrossScale-GLIOのMRI像と全スライディング組織像
- Abstract要約: CrossScale-GLIOはMRIを腫瘍生検グラフ、組織学を細胞ニッチグラフとして表現する。
病理学者は81.2%の高質量の生息地とニッチのペアを生物学的に有望であると評価した。
- 参考スコア（独自算出の注目度）: 0.7742420215649948
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Magnetic resonance imaging and histopathology observe the same glioma at radically different scales. We present CrossScale-GLIO, a visual multimodal framework that represents MRI as a tumor-habitat graph and histology as a cell-niche graph, then aligns them with a structure-aware optimal transport objective anchored by diagnostic language. Across paired and external glioma cohorts, CrossScale-GLIO achieved a paired-test subtype macro-F1 of 0.789, IDH AUROC of 0.934, 1p/19q AUROC of 0.884, and MGMT AUROC of 0.802. The subtype gain over feature-only transport was 2.8 percentage points (95% CI: 1.2 to 4.4, adjusted p = 0.0019). Bidirectional patient retrieval reached Recall@1 values of 0.286 and 0.278, and Recall@5 values of 0.621 and 0.608. Pathologists rated 81.2% of high-mass habitat-niche pairs as biologically plausible. Deleting the highest-mass pair reduced correct-class probability by 0.184, compared with 0.049 under random deletion. Degree-preserving graph rewiring reduced subtype macro-F1 by 0.034 and retrieval Recall@1 by 0.090, directly confirming that preserved relational topology drives cross-scale correspondence.
- Abstract（参考訳）: 磁気共鳴画像と病理組織学は、大きく異なるスケールで同じグリオーマを観察する。
我々は,MRIを腫瘍生検グラフ,組織学を細胞ニッチグラフとして表現する視覚的マルチモーダルフレームワークであるCrossScale-GLIOを,診断言語で固定された構造認識の最適輸送目標と整合させる。
対と外部のグリオーマコホート全体で、CrossScale-GLIOは0.789のペアテストサブタイプマクロF1、0.934のIDH AUROC、0.884の1p/19q AUROC、0.802のMGMT AUROCを達成した。
特徴のみの輸送に対するサブタイプゲインは2.8ポイント(95%CI:1.2から4.4、調整されたp = 0.0019)であった。
Recall@1は0.286,0.278, Recall@5は0.621, 0.608であった。
病理学者は81.2%の高質量の生息地とニッチのペアを生物学的に有望であると評価した。
最大質量ペアの削除により、ランダム削除時の0.049と比較して、正しいクラス確率は0.184削減された。
Degree-Preserving graph rewiring reduced subtype macro-F1 by 0.034 and retrieve Recall@1 by 0.090 保存された関係トポロジがクロススケール対応を促進することを直接確認する。
関連論文リスト
- MagViT: Interpretable Multi-Magnification Transformers with Patient-Level Model Selection for Breast Histopathology [0.0]
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。
論文 参考訳（メタデータ） (2026-08-16T18:20:40Z) - Prospective clinical indication, post-hoc report leakage, and fusion design in multi-image chest radiograph classification: a patient-clustered evaluation [0.5156484100374059]
画像のみ、表示のみ、固定順序マルチモーダル、ランダムスワップ、DeepSets、セクションガードMIモデルを比較した。
予測表示は、レポート由来の目標と強く結びついており、置換認識融合は競争的であり、ポストホックレポートテキストは、レポートラベルの実質的な円形を生成する。
論文 参考訳（メタデータ） (2026-07-15T13:08:09Z) - Hide-and-Seek Attribution: Weakly Supervised Segmentation of Vertebral Metastases in CT [68.09387763135236]
脊椎レベルの健康・悪性のラベルにのみ、病変マスクを伴わずに訓練を施した弱い指導方法を提案する。
マスクの監視がないにも関わらず,強い爆発・解析性能を達成する。
論文 参考訳（メタデータ） (2025-12-07T14:03:28Z) - MSRANetV2: An Explainable Deep Learning Architecture for Multi-class Classification of Colorectal Histopathological Images [3.4859776888706233]
大腸癌(CRC)は、世界中のがん関連死亡率の高い疾患である。
ディープラーニングアルゴリズムは、診断精度と効率を高めるための強力なアプローチとなっている。
大腸組織像の分類に最適化されたMSRANetV2という畳み込みニューラルネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2025-10-28T07:22:34Z) - 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) - Attention-based Saliency Maps Improve Interpretability of Pneumothorax
Classification [52.77024349608834]
視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。
ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。
ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
論文 参考訳（メタデータ） (2023-03-03T12:05:41Z) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳（メタデータ） (2023-02-16T17:06:23Z) - Corneal endothelium assessment in specular microscopy images with Fuchs'
dystrophy via deep regression of signed distance maps [48.498376125522114]
本稿では,UNetをベースとしたセグメンテーション手法を提案する。
これは、フックスのジストロフィーの全度にわたって、信頼できるCE形態計測と腸骨同定を実現する。
論文 参考訳（メタデータ） (2022-10-13T15:34:20Z) - MRI-based classification of IDH mutation and 1p/19q codeletion status of
gliomas using a 2.5D hybrid multi-task convolutional neural network [0.18374319565577152]
グリオーマにおけるIsocitrate dehydrogenase変異と1p/19q符号欠失は重要な予後マーカーである。
我々の目標は、MRIからこれらの分子変化を非侵襲的に決定する人工知能ベースの手法を開発することであった。
2.5Dハイブリッド畳み込みニューラルネットワークは、腫瘍を同時に局在させ、その分子状態を分類するために提案された。
論文 参考訳（メタデータ） (2022-10-07T18:46:39Z)
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。