論文の概要: Label-Free Coreset Selection with Foundation Models for Efficient Annotation in Computational Pathology

• arxiv url: http://arxiv.org/abs/2610.05987v1
• Date: Mon, 05 Oct 2026 08:40:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:42:39.715967
• Title: Label-Free Coreset Selection with Foundation Models for Efficient Annotation in Computational Pathology
• Title（参考訳）: 計算病理における効率的なアノテーションのための基礎モデルを用いたラベルフリーコアセット選択
• Abstract要約: GCcoreは、データセットのすべてのイメージを病理基盤モデルに埋め込み、埋め込み空間のグローバルなカバレッジを最大化するサンプルを鮮やかに選択する。 スライド画像の分類、タイル分類、組織セグメンテーションにまたがる10のタスクとデータセットにまたがる最先端のメソッドを含む、14のベースラインに対するGCcoreの優れたパフォーマンスを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Computational pathology has the potential to improve clinical outcomes through a demonstrated increase in diagnostic and prognostic accuracy. However, the development and validation of deep learning algorithms still require annotated data, a costly procedure involving expert pathologists who already face critical workforce shortages. Existing coreset selection methods to optimize annotation efforts currently all rely on hyperparameters tuned on natural-image benchmarks that do not transfer to histopathology and are cumbersome to use in clinical practice. In this study, we present GCcore, a novel label-free coreset selection method that embeds every image of a dataset with any pathology foundation model and greedily selects the samples that collectively maximize the global coverage of the embedding space. The proposed method provides a lower-bound guarantee on the global coverage of the returned coreset for any coreset size, while being completely hyperparameter-free and deterministic. We demonstrate GCcore's superior performance over 14 baselines including state-of-the-art methods across 10 tasks and datasets spanning whole slide image classification, tile classification, and tissue segmentation, where it ranks first on six and within the top three on nine, while also demonstrating how existing methods can shift by up to five rank positions depending on their hyperparameter settings. Code is publicly available at https://github.com/OncoAI-ULBHUB/GCcore.
• Abstract（参考訳）: コンピュータ病理学は、診断と予後の正確さを実証し、臨床結果を改善する可能性がある。 しかし、ディープラーニングアルゴリズムの開発と検証には、まだ注釈付きデータが必要である。 現在、アノテーションの取り組みを最適化するための既存のコアセット選択手法は、すべて、病理組織学に移行せず、臨床で使用するのが面倒な天然画像のベンチマークに調整されたハイパーパラメータに依存している。 本稿では,任意の病理基盤モデルを用いてデータセットのすべてのイメージを埋め込み,包括空間のグローバルカバレッジを最大化するサンプルを鮮やかに選択する新しいラベルフリーコアセット選択法であるGCcoreを提案する。 提案手法は,完全ハイパーパラメータフリーで決定論的でありながら,任意のコアセットサイズに対して返却コアセットのグローバルカバレッジを低く保証する。 スライドイメージの分類、タイルの分類、組織セグメンテーションにまたがる10のタスクとデータセットを含む、14のベースラインに対するGCcoreの優れたパフォーマンスを示します。 コードはhttps://github.com/OncoAI-ULBHUB/GCcoreで公開されている。

関連論文リスト

• A Graph-Based Framework for Interpretable Whole Slide Image Analysis [86.37618055724441]
  我々は,全スライディング画像を生物学的にインフォームドされたグラフ表現に変換するフレームワークを開発した。 我々のアプローチは、任意の格子ではなく、自然構造を尊重する組織領域からグラフノードを構築する。 がんのステージングと生存予測の課題に強いパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-03-14T20:15:04Z)
• UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
  ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。 異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。 特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
  論文  参考訳（メタデータ） (2024-02-20T11:50:27Z)
• Benchmarking Pathology Feature Extractors for Whole Slide Image Classification [2.173830337391778]
  弱教師付き全スライド画像分類は、計算病理学における重要な課題である。 特徴抽出器の総合的なベンチマークを行い、3つの重要な質問に答える。 我々は経験的に観察し、潜伏空間を解析することにより、染色の正規化や画像の増大は性能を低下させない。 提案手法は, 下流性能を比較するための新しい評価指標を開発し, 下流性能の指標として, 特徴抽出器の選択が最も重要な要因であることを示す。
  論文  参考訳（メタデータ） (2023-11-20T13:58:26Z)
• Towards Unifying Anatomy Segmentation: Automated Generation of a Full-body CT Dataset via Knowledge Aggregation and Anatomical Guidelines [113.08940153125616]
  我々は533巻のボクセルレベルのラベルを142ドル(約1万2000円)で、全身CTスキャンのデータセットを作成し、解剖学的包括的カバレッジを提供する。 提案手法はラベル集約段階において手作業によるアノテーションに依存しない。 我々はCTデータに142ドルの解剖学的構造を予測できる統一解剖学的セグメンテーションモデルをリリースする。
  論文  参考訳（メタデータ） (2023-07-25T09:48:13Z)
• PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
  医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。 本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
  論文  参考訳（メタデータ） (2022-07-24T07:45:47Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• Nuclei Segmentation with Point Annotations from Pathology Images via Self-Supervised Learning and Co-Training [44.13451004973818]
  核分割のための弱い教師付き学習法を提案する。 粗いピクセルレベルのラベルは、ボロノイ図に基づく点アノテーションから導かれる。 病理画像の核分割に適した自己教師付き視覚表現学習法を提案する。
  論文  参考訳（メタデータ） (2022-02-16T17:08:44Z)
• PointNu-Net: Keypoint-assisted Convolutional Neural Network for Simultaneous Multi-tissue Histology Nuclei Segmentation and Classification [23.466331358975044]
  ヘマトキシリンおよびエオシン染色組織学データから核を同時に検出し,分画し,分類する新しい手法を考案し,その設計を行った。 本研究は,19種類の組織にまたがる核分割と分類のための提案手法の優れた性能を実証する。
  論文  参考訳（メタデータ） (2021-11-01T08:29:40Z)
• Cervical Cytology Classification Using PCA & GWO Enhanced Deep Features Selection [1.990876596716716]
  子宮頸癌は世界でも最も致命的かつ一般的な疾患の1つである。 ディープラーニングと特徴選択を利用した完全自動化フレームワークを提案する。 このフレームワークは3つの公開ベンチマークデータセットで評価されている。
  論文  参考訳（メタデータ） (2021-06-09T08:57:22Z)

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。