論文の概要: Nonparametric Distribution Matching for Self-Supervised Whole-Slide Image Condensation

• arxiv url: http://arxiv.org/abs/2610.00678v1
• Date: Wed, 30 Sep 2026 20:15:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.755171
• Title: Nonparametric Distribution Matching for Self-Supervised Whole-Slide Image Condensation
• Title（参考訳）: 自己監督型全スライディング画像の非パラメトリック分布マッチング
• Abstract要約: 組織学的全スライディング画像(WSI)は、計算病理の中心であるが、深刻な計算上の課題を生じさせる。 固定表現レンズ下での分布整合問題としてWSI凝縮の原理的再構成を導入する。 我々は、スライド適応能力を持つ非パラメトリックな事前計算に基づく、トラクタブルな近似フレームワークNICERを開発した。
• 参考スコア（独自算出の注目度）: 20.934476670263486
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Histological whole-slide images (WSIs) are central to computational pathology but pose severe computational challenges due to their extremely high resolution, often spanning several gigabytes per slide. To enable scalable learning, existing methods apply self-supervised data condensation to reduce computational cost, but typically rely on heuristic prototype learning and do not explicitly preserve learning-relevant feature distributions for downstream tasks. In response, we introduce a principled reformulation of WSI condensation as a distribution-matching problem under a fixed representational lens, and develop NICER, a tractable approximation framework based on a nonparametric prior with slide-adaptive capacity. Experiments on five histopathology datasets, together with clinical evaluation from a board-certified pathologist, show that NICER consistently outperforms prior methods, achieving an average accuracy improvement of 7.44% while offering improved efficiency-accuracy trade-offs, highlighting the benefits of principled, distribution-aware condensation for scalable histological representation learning. Source codes are available in https://github.com/nmduonggg/NICER.
• Abstract（参考訳）: 組織学的全スライディング画像(WSI)は、計算病理の中心であるが、非常に高解像度であるため、しばしば1スライドあたり数ギガバイトにまたがる深刻な計算上の問題を引き起こす。 スケーラブルな学習を可能にするために、既存の手法では、自己教師付きデータ凝縮を適用して計算コストを削減するが、通常はヒューリスティックなプロトタイプ学習に依存し、下流タスクの学習関連特徴分布を明示的に保存しない。 そこで本研究では,WSI凝縮の分布整合問題として,固定された表現レンズ下での原理的再構成を導入し,スライド適応能力を持つ非パラメトリック事前に基づくトラクタブル近似フレームワークであるNICERを開発した。 5つの病理組織学的データセットの実験は、ボード証明された病理学者による臨床的評価とともに、NICERは従来手法よりも一貫して優れており、平均精度は7.44%向上し、効率・精度のトレードオフは改善され、スケーラブルな組織学的表現学習のための原則付き分布認識凝縮の利点が強調された。 ソースコードはhttps://github.com/nmduonggg/NICERで入手できる。

関連論文リスト

• Thinking in Scales: Accelerating Gigapixel Pathology Image Analysis via Adaptive Continuous Reasoning [52.41928980786654]
  スライド画像全体に対してトークン効率のよいスケール空間連続推論を可能にするPathCTMを提案する。 PathCTMは診断推論を動的逐次情報追跡として定式化する。 必要な画像パッチの数を95.95%削減し、推論時間を約95.62%短縮し、AUCを劣化せずに維持する。
  論文  参考訳（メタデータ） (2026-05-19T07:46:44Z)
• An Efficient Medical Image Classification Method Based on a Lightweight Improved ConvNeXt-Tiny Architecture [1.4587927509092535]
  本研究では,改良型ConvNeXt-Tinyアーキテクチャに基づく医用画像分類手法を提案する。 提案手法は,計算複雑性を低減しつつ,特徴抽出能力と分類性能を向上させる。 実験により,提案手法は資源制限条件下での医用画像の分類を効果的に改善することを示した。
  論文  参考訳（メタデータ） (2025-08-15T15:20:25Z)
• Decentralized LoRA Augmented Transformer with Context-aware Multi-scale Feature Learning for Secured Eye Diagnosis [2.1358421658740214]
  本稿では、コンテキスト認識型マルチスケールパッチ埋め込み、ローランド適応(LoRA)、知識蒸留、フェデレーション学習を統合し、これらの課題に統一的に対処する新しいデータ効率画像変換器(DeiT)ベースのフレームワークを提案する。 提案モデルでは,マルチスケールパッチ表現と局所的および大域的注意機構を活用することで,局所的および大域的網膜特徴を効果的に捉えている。
  論文  参考訳（メタデータ） (2025-05-11T13:51:56Z)
• PseudoNeg-MAE: Self-Supervised Point Cloud Learning using Conditional Pseudo-Negative Embeddings [55.55445978692678]
  PseudoNeg-MAEは、ポイントクラウドマスマスキングオートエンコーダのグローバルな特徴表現を強化する。 本研究では,ネットワークが識別的表現を保ちながら,よりリッチな変換キューをキャプチャできる新たな損失を提案する。
  論文  参考訳（メタデータ） (2024-09-24T07:57:21Z)
• Realistic Data Enrichment for Robust Image Segmentation in Histopathology [2.248423960136122]
  拡散モデルに基づく新しい手法を提案し、不均衡なデータセットを、表現不足なグループから有意な例で拡張する。 本手法は,限定的な臨床データセットを拡張して,機械学習パイプラインのトレーニングに適したものにする。
  論文  参考訳（メタデータ） (2023-04-19T09:52:50Z)
• Improving Transformer-based Image Matching by Cascaded Capturing Spatially Informative Keypoints [44.90917854990362]
  変換器を用いたカスケードマッチングモデル -- Cascade Feature Matching TRansformer (CasMTR) を提案する。 我々は、信頼性マップを通じてキーポイントをフィルタリングするために、単純で効果的な非最大抑圧(NMS)後処理を使用する。 CasMTRは、室内および屋外のポーズ推定および視覚的位置推定において最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-03-06T04:32:34Z)
• Learning Discriminative Shrinkage Deep Networks for Image Deconvolution [122.79108159874426]
  本稿では,これらの用語を暗黙的にモデル化する識別的縮小関数を学習することで,効果的に非盲検デコンボリューション手法を提案する。 実験結果から,提案手法は最先端の手法に対して,効率と精度の点で好適に動作することがわかった。
  論文  参考訳（メタデータ） (2021-11-27T12:12:57Z)
• Real-time landmark detection for precise endoscopic submucosal dissection via shape-aware relation network [51.44506007844284]
  内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。 まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。 次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
  論文  参考訳（メタデータ） (2021-11-08T07:57:30Z)
• Automated Prostate Cancer Diagnosis Based on Gleason Grading Using Convolutional Neural Network [12.161266795282915]
  そこで本研究では,前立腺癌(PCa)の完全分類のための畳み込みニューラルネットワーク(CNN)を用いた自動分類法を提案する。 Patch-Based Image Reconstruction (PBIR) と呼ばれるデータ拡張手法が提案され,WSIの高分解能化と多様性の向上が図られた。 対象データセットへの事前学習モデルの適応性を高めるために,分布補正モジュールを開発した。
  論文  参考訳（メタデータ） (2020-11-29T06:42:08Z)

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。