論文の概要: Tissue Detection Determines False Positives in Diffusion-Based Histopathology Artifact Detection
- arxiv url: http://arxiv.org/abs/2609.40083v1
- Date: Wed, 30 Sep 2026 16:29:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 18:57:28.066592
- Title: Tissue Detection Determines False Positives in Diffusion-Based Histopathology Artifact Detection
- Title（参考訳）: 拡散型病理組織学的アーティファクト検出における偽陽性の組織検出
- Abstract要約: 一流のアーティファクト検出器は、クリーンなトレーニングプールから正常な組織を学び、そこから旗を掲げる。
組織検出方法が異なる拡散型検出器のクリーンプールを再構築した。
一級の品質管理では、組織検出がモデルが正常に学習するものを判断し、それに従って選択および報告する。
- 参考スコア（独自算出の注目度）: 1.8864137667201766
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: One-class artifact detectors for whole-slide images learn normal tissue from a clean training pool and flag departures from it. The pool is built by a preprocessing pipeline whose tissue-detection step is usually treated as neutral. We tested whether it is. On 16 annotated TCGA slides, we rebuilt the clean pool of a diffusion-based detector with different tissue detection methods and compared the resulting models in a four-fold cross-validation. Per-slide saturation-Otsu detection excluded normal tissue, chiefly tissue with large clear spaces such as adipose tissue and alveolar parenchyma, and on slides with thick marker ink kept the ink while excluding ordinary tissue. Replacing it with entropy-based detection reduced the false-positive fraction on held-out clean slides from 0.102 to 0.016, in every fold and with a second training seed, without loss of sensitivity; the gain came from the composition of the pool, not its size. Across three tissue detection methods, false positives followed the fraction of such clear-space tissue in the pool, a statistic that needs no labels or training (0.103, 0.016 and 0.009). The effect did not carry over at the same size to a nearest-neighbour detector on foundation-model features. On an external cohort, the curated pool lowered clean-control false positives by about 20%, far less than within TCGA, and the remaining cross-center loss was not explained by stain differences. For one-class quality control, tissue detection decides what the model learns as normal and should be chosen and reported accordingly.
- Abstract（参考訳）: スライディング画像のための一級の人工物検出器は、クリーンなトレーニングプールから正常な組織を学習し、そこから旗を掲げる。
プールは前処理パイプラインによって構築され、組織検出ステップは通常中性として扱われる。
私たちはそれをテストした。
注釈付きTCGAスライド16枚について,組織検出法が異なる拡散型検出器のクリーンプールを再構築し,得られたモデルを4倍のクロスバリデーションで比較した。
Per-Slide saturation-Otsu 検出では, 通常の組織, 主に脂肪組織や歯槽内皮腫などの大きな透明な組織, 厚いマーカーインキのスライドでは, 通常の組織を除いたままインクが保たれた。
エントロピーに基づく検出で置き換えることで、保持されたクリーンスライドの偽陽性率を0.102から0.016に減らした。
3つの組織検出方法全体では、偽陽性はプール内のこれらのクリアスペース組織の割合に追随し、ラベルやトレーニングを必要としない統計値(0.103, 0.016, 0.009)が得られた。
この効果は、基礎モデルの特徴に最も近い隣の検出器と同じ大きさで受け継がれなかった。
外部コホートでは, 硬化したプールは, TCGAよりも約20%小さく, 残留する中心的損失は染色の違いで説明できなかった。
一級の品質管理では、組織検出がモデルが正常に学習するものを判断し、それに従って選択および報告する。
関連論文リスト
- Seeing Beyond the Lesion: Disease Recognition from Reactive CNS Tissue [1.2182821723492487]
我々は4つの病理基盤モデルを、共有注意に基づく学習フレームワーク内の凍結パッチエンコーダとしてベンチマークする。
まず,スライドサイズだけで粗い疾患カテゴリー予測が再現可能であることを示す。
驚くべきことに、パフォーマンスはすべての基礎モデルエンコーダ間で統計的に区別できない。
論文 参考訳（メタデータ） (2026-09-02T10:02:43Z) - MalariAI: A Label-Resilient Decoupled Framework for Universal Cell Segmentation and Explainable Stage Classification in Dense Malaria Blood Smears [0.0]
血液スミア顕微鏡によるマラリアの診断は、グローバルヘルスAIにとって重要な課題である。
3つの複合的障害モードは、既存のディープラーニングシステムの信頼性の高い臨床展開を防ぐ。
統一パイプラインにおける3つの障害モードすべてに対処する、2段階の分離フレームワークであるMarariAIを紹介します。
論文 参考訳（メタデータ） (2026-07-01T03:27:04Z) - Specificity- and Calibration-Aware Breast Ultrasound Segmentation via Entropy-Guided Boundary Supervision [0.0]
病変のある画像では、スペックルノイズ、低組織コントラスト、後部音響シャドーイングは境界漏れと不完全な輪郭線を生じさせる。
本研究は、トレーニング対象に1つの修正を加えることで、両方の障害モードに対処する。
全ての境界画素を等しく重み付けする代わりに、提案された損失は、画素ごとの予測エントロピーと接地トラス境界写像によって輪郭ペナルティをスケールする。
論文 参考訳（メタデータ） (2026-06-21T02:21:11Z) - 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) - Deep Unsupervised Anomaly Detection in Brain Imaging: Large-Scale Benchmarking and Bias Analysis [42.60508892284938]
脳画像の深部教師なし異常検出のための大規模マルチセンターベンチマークを提案する。
健康なデータセットと多様な臨床コホートにまたがる2,221T1wと1,262T2wのスキャンを行った。
我々のベンチマークは今後の研究の透明な基盤を確立し、臨床翻訳の優先順位を強調している。
論文 参考訳（メタデータ） (2025-12-01T11:03:27Z) - Autonomous labeling of surgical resection margins using a foundation model [4.873604837915161]
本研究は,全スライディング画像上で外科的切削面を自律的に局所化する仮想インクネットワーク(VIN)を提案する。
VINは、特徴抽出器として凍結基礎モデルと、因果一貫性のある特徴のパッチレベル分類のために訓練されたコンパクトな2層多層パーセプトロンを使用する。
論文 参考訳（メタデータ） (2025-11-27T05:52:42Z) - HistoART: Histopathology Artifact Detection and Reporting Tool [37.31105955164019]
ワイルスライドイメージング(WSI)は、組織標本の詳細な高分解能検査のために広く用いられている。
WSIは、スライドの準備とスキャンの間に導入されたアーティファクトに弱いままです。
本稿では,WSIに対する3つのロバストなアーティファクト検出手法を提案し,比較する。
論文 参考訳（メタデータ） (2025-06-23T17:22:19Z) - Fluorescence angiography classification in colorectal surgery -- A
preliminary report [8.075715438276244]
本研究の目的は, 大腸組織を蛍光血管造影データに基づいて "perfused" あるいは "not perfused" と分類する人工知能アルゴリズムを開発することである。
アルゴリズムをデプロイするWebベースのアプリが利用可能になった。
論文 参考訳（メタデータ） (2022-06-13T07:10:59Z) - Assessing glaucoma in retinal fundus photographs using Deep Feature
Consistent Variational Autoencoders [63.391402501241195]
緑内障は症状が重くなるまで無症状のままでいるため、検出が困難である。
緑内障の早期診断は機能的,構造的,臨床的評価に基づいて行われることが多い。
ディープラーニング手法はこのジレンマを、マーカー識別段階をバイパスし、ハイレベルな情報を分析してデータを分類することで部分的に解決している。
論文 参考訳（メタデータ） (2021-10-04T16:06:49Z) - Controlling False Positive/Negative Rates for Deep-Learning-Based
Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。
1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
論文 参考訳（メタデータ） (2021-06-04T09:51:27Z) - Weakly-Supervised Cross-Domain Adaptation for Endoscopic Lesions
Segmentation [79.58311369297635]
異なるデータセットにまたがるトランスファー可能なドメイン不変知識を探索できる,新しい弱い教師付き病巣移動フレームワークを提案する。
wasserstein quantified transferability frameworkは、広い範囲の転送可能なコンテキスト依存性を強調するために開発されている。
新規な自己監督型擬似ラベル生成器は、送信困難かつ転送容易なターゲットサンプルの両方に対して、確実な擬似ピクセルラベルを等しく提供するように設計されている。
論文 参考訳（メタデータ） (2020-12-08T02:26:03Z)
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。