論文の概要: Refining Cytology Predictions with Conditional Random Fields

• arxiv url: http://arxiv.org/abs/2609.31028v1
• Date: Fri, 25 Sep 2026 09:24:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.323244
• Title: Refining Cytology Predictions with Conditional Random Fields
• Title（参考訳）: 条件付ランダム場を用いた細胞学の精製予測
• Abstract要約: 条件付きランダムフィールド(CRF)は、パッチ間で情報を伝達することでノイズの多いVLM予測を洗練することができる。 既存のCRFフレームワークは病理学のために設計されており、独立したパッチプールとしてリリースされたデータセットには転送されない。 CytoCRFは,染色を標的とし,両用語を病理組織学に適応させ,複数のバックボーンを組み合わせることで,各用語の近傍をさらに強化する。
• 参考スコア（独自算出の注目度）: 20.24652683418794
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision-language models (VLMs) achieve strong zero-shot (ZS) classification on histology images but do not perform as well on cytology, whose stains and cell morphology differ markedly compared to histology. Conditional random fields (CRFs) can refine noisy VLM predictions by propagating information across patches, but existing CRF frameworks were designed for histopathology and do not transfer to cytology datasets, released as independent patch pools spanning multiple staining protocols. We introduce CytoCRF, which adapts the pairwise terms to cytology by targeting chromatin and cytology-specific staining, and further enrich the neighborhood of each potential term by combining multiple backbones. Across ten cytology datasets, CytoCRF outperforms existing CRF frameworks at every annotation budget, reaching +13.6 percentage points over the best baseline and +33.7 over ZS with only 50 annotations. Combining information from multiple backbones brings further gains, showing that the neighborhood topology matters more than the pairwise potential computed over it.
• Abstract（参考訳）: 視覚言語モデル (VLM) は, 組織像から強いゼロショット (ZS) 分類を達成しているが, 染色や細胞形態が組織像と著しく異なる細胞診では, 正常に機能しない。 条件付きランダムフィールド(CRF)はパッチ間で情報を伝達することでノイズの多いVLM予測を洗練することができるが、既存のCRFフレームワークは病理学のために設計されており、複数の染色プロトコルにまたがる独立したパッチプールとしてリリースされる細胞学データセットに転送されない。 我々は、クロマチンと細胞診特異的染色を標的とし、細胞学に一対の用語を適応させるCytoCRFを導入し、さらに複数のバックボーンを組み合わせることにより、各電位項の近傍をさらに強化する。 10の細胞学データセットで、CytoCRFはすべてのアノテーション予算において既存のCRFフレームワークより優れており、最高のベースラインで+13.6ポイント、ZSで+33.7ポイント、50アノテーションで+33.7ポイントである。 複数のバックボーンからの情報を組み合わせることで、近隣のトポロジーが計算されたペアのポテンシャルよりも重要であることを示す。

関連論文リスト

• Conserved Immune Topology Improves Pathology Foundation Model Generalization for Cross-Cancer MSI-H Prediction [0.0]
  我々は,クロスカメラMSI-H予測のための軽量空間表現であるConserved Immune Top (CIT)を提案する。 CITは、免疫関連タイルの同定に教師なしクラスタリングを使用し、リンパ構造、経時的免疫反応、マルチスケールの腫瘍浸潤性リンパ球密度をコードする。 以上の結果から,CITはMSI-H予測のための臓器不変表現であり,病理基盤モデルのクロスカンサー一般化をサポートする可能性が示唆された。
  論文  参考訳（メタデータ） (2026-09-04T14:17:03Z)
• Data-Efficient Multimodal Alignment for Histopathology-based Molecular Prediction [3.229566379058554]
  凍結した病理組織とRNA-Seqファンデーションモデル上に軽量アライメントモジュールをトレーニングすることで、オープンボキャブラリ分子プロンプトが実現できることを示す。 ベースライン法よりも25倍の検索改善を実現した。 我々はPOSEIDON臨床試験における臨床的有用性を検証する。
  論文  参考訳（メタデータ） (2026-06-29T08:24:53Z)
• Whole-body CT attenuation and volume charts from routine clinical scans via evidence-grounded LLM report filtering [5.261511162432881]
  我々は,放射線学報告からの病理所見をフィルタリングするために,エビデンスと相互検証された大規模言語モデルアンサンブルを開発した。 5つのLDM(最初のフラグ構造レベルの異常候補)が冗長な報告証拠に根拠を置いている。 年齢,性別,コントラストの強化,獲得パラメータを考慮し,成人期の解剖学的構造106件について総合的な全身基準チャートを構築した。
  論文  参考訳（メタデータ） (2026-05-07T09:40:01Z)
• Conditional Random Fields for Interactive Refinement of Histopathological Predictions [20.862265116241716]
  HistoCRFは条件付きランダムフィールド(CRF)のためのCRFベースのフレームワークである ラベルの多様性を促進し、専門家のアノテーションを活用するペアワイズポテンシャルの新たな定義を提案する。 異なる臓器や疾患をカバーする5つのパッチレベルの分類データセットの実験では、アノテーションなしでの平均精度が16.4%、アノテーションがわずか100の27.5%向上した。
  論文  参考訳（メタデータ） (2026-01-17T15:19:40Z)
• Comparison of ConvNeXt and Vision-Language Models for Breast Density Assessment in Screening Mammography [39.58317527488534]
  本研究では,BI-RADSシステムを用いた自動分類のためのマルチモーダル法とCNN法の比較を行った。 ゼロショット分類は、微調整されたConvNeXtモデルがBioMedCLIP線形プローブよりも優れた性能を示した。 これらの結果から, マルチモーダル学習の約束にもかかわらず, エンドツーエンドの微調整を施したCNNモデルの方が, 医用画像の特化に有効であることが示唆された。
  論文  参考訳（メタデータ） (2025-06-16T20:14:37Z)
• Interpretable Graph Kolmogorov-Arnold Networks for Multi-Cancer Classification and Biomarker Identification using Multi-Omics Data [36.92842246372894]
  Multi-Omics Graph Kolmogorov-Arnold Network (MOGKAN)は、メッセンジャーRNA、マイクロRNA配列、DNAメチル化サンプルを利用するディープラーニングフレームワークである。 グラフに基づく深層学習とマルチオミクスデータを統合することにより,提案手法は頑健な予測性能と解釈可能性を示す。
  論文  参考訳（メタデータ） (2025-03-29T02:14:05Z)
• Cyto R-CNN and CytoNuke Dataset: Towards reliable whole-cell segmentation in bright-field histological images [44.83069198478997]
  我々は,セル全体を鮮視野画像に正確に分割できるネットワークアーキテクチャCyto R-CNNを提案する。 また,頭頸部扁平上皮癌細胞に対する数千の手動アノテーションからなる新しいデータセットCytoNukeも提示した。
  論文  参考訳（メタデータ） (2024-01-28T12:22:34Z)
• Exploring the Interplay Between Colorectal Cancer Subtypes Genomic Variants and Cellular Morphology: A Deep-Learning Approach [4.077787659104316]
  CRCサブタイプ分類のためのCNNモデルを訓練し、CRCサブタイプ内のゲノム変異とそれに対応する細胞形態パターンとの潜在的な相関について検討した。 CRCサブタイプ分類の精度を評価することにより,CRCサブタイプのゲノム変異と細胞形態パターンとの相互作用を評価した。
  論文  参考訳（メタデータ） (2023-03-26T12:13:29Z)
• Co-Heterogeneous and Adaptive Segmentation from Multi-Source and Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion Segmentation [48.504790189796836]
  我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。 本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。 CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
  論文  参考訳（メタデータ） (2020-05-27T06:58:39Z)

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。