論文の概要: One-Slide Calibration of Pathology Foundation Models

• arxiv url: http://arxiv.org/abs/2610.08944v1
• Date: Tue, 06 Oct 2026 18:09:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.53595
• Title: One-Slide Calibration of Pathology Foundation Models
• Title（参考訳）: 病理基礎モデルのワンスライダー校正
• Abstract要約: スライド内のリージョンを内部制御として使用するSlideRulerを導入し、他のリージョンでの予測や修正によるシフトを補正する。 rescansから学習した転送マップは、基礎モデルを固定しつつ、推論時に単一のスキャンからキャリブレーションを行うことができる。
• 参考スコア（独自算出の注目度）: 1.1279808969568255
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Scanner variation changes how pathology foundation models represent the same tissue. We introduce SlideRuler, which uses regions within a slide as internal controls to estimate and correct acquisition-induced shifts in other regions. A transfer map learned from paired rescans enables calibration from a single scan at inference while keeping the foundation model fixed. Across two encoders and five SCORPION scanners, learned transfer reduces mean target-to-source embedding distance by 16.3-38.5% relative to raw embeddings. Comparisons with unrelated same-scanner controls reveal a positive same-slide contribution across all four evaluation settings, including scanner holdout. A source-anchored variant reduces source-feature displacement by 47.7-83.6% relative to learned transfer while retaining most of its alignment gain. By drawing calibration information from the slide itself, SlideRuler offers a path toward more consistent use of frozen pathology models across imaging systems.
• Abstract（参考訳）: スキャナーの変化は、病理基盤モデルが同じ組織を表現する方法を変える。 スライド内のリージョンを内部制御として使用するSlideRulerを導入し、他のリージョンでの取得によるシフトを推定し、修正する。 ペア化された再スキャンから得られた転送マップは、基礎モデルを固定しつつ、推論時に単一のスキャンからキャリブレーションを行うことができる。 2つのエンコーダと5つのSCORPIONスキャナにまたがって、学習されたトランスファーにより、平均的なターゲットとソースの埋め込み距離は、生の埋め込みと比較して16.3-38.5%減少する。 関連のない同スキャナコントロールとの比較では、スキャナホールドアウトを含む4つの評価設定すべてで、肯定的な同スライダーコントリビューションが示される。 ソースアンコールされた変種は、そのアライメントゲインの大半を保持しながら、学習した転送に対してソース-フィーチャーの変位を47.7-83.6%削減する。 スライド自体からキャリブレーション情報を描画することで、SlideRulerは、画像システム全体にわたって凍った病理モデルをより一貫した利用に向けての道筋を提供する。

関連論文リスト

• Multi-Contrast MRI Motion Correction via Parameter-Informed Disentanglement and Adaptive Experts [56.74856091904914]
  パラメータインフォームドコントラストと重度適応補正を組み合わせた統合フレームワークを提案する。 ScanCLIPは、取得パラメータからアンタングルコントラストスタイルへのコントラスト埋め込みを解剖学的内容から導き、コントラストのない特徴をもたらす。 ビジョントランスフォーマーは、動きの重大度を推定し、Mixture-of-Expertsネットワークを介して特徴をルーティングし、ターゲットのアーティファクト修正を可能にする。
  論文  参考訳（メタデータ） (2026-05-29T02:48:23Z)
• UWarp: A Whole Slide Image Registration Pipeline to Characterize Scanner-Induced Local Domain Shift [0.8636895084411372]
  種々の条件下でスキャンされた組織学的スライドを整列させる新しい登録ツールであるUWarpをベースとしたドメインシフト解析フレームワークを提案する。 実験により、UWarpは既存のオープンソース登録方法より優れており、中央値のターゲット登録誤差(TRE)は4ピクセル未満であることが示された。 UWarpを用いて、乳がんの病態応答予測のための深層学習モデルであるBreaast-NEOprAIdictの予測において、スキャナによる局所ドメインシフトを特徴付ける。
  論文  参考訳（メタデータ） (2025-03-26T15:48:38Z)
• CROCODILE: Causality aids RObustness via COntrastive DIsentangled LEarning [8.975676404678374]
  CROCODILEフレームワークを導入し、因果関係のツールがモデルの堅牢性からドメインシフトを育む方法を示します。 我々はCXRの多ラベル肺疾患分類に750万枚以上の画像を用いて本手法を適用した。
  論文  参考訳（メタデータ） (2024-08-09T09:08:06Z)
• Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
  病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。 健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
  論文  参考訳（メタデータ） (2023-08-03T21:56:50Z)
• Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
  本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。 提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
  論文  参考訳（メタデータ） (2022-12-14T06:04:18Z)
• Unsupervised Domain Adaptation with Contrastive Learning for OCT Segmentation [49.59567529191423]
  本稿では,新しい未ラベル領域からのボリューム画像のセグメンテーションのための,新しい半教師付き学習フレームワークを提案する。 教師付き学習とコントラスト学習を併用し、3次元の近傍スライス間の類似性を利用したコントラストペア方式を導入する。
  論文  参考訳（メタデータ） (2022-03-07T19:02:26Z)
• Automatic size and pose homogenization with spatial transformer network to improve and accelerate pediatric segmentation [51.916106055115755]
  空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。 私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。 腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
  論文  参考訳（メタデータ） (2021-07-06T14:50:03Z)
• A Hierarchical Transformation-Discriminating Generative Model for Few Shot Anomaly Detection [93.38607559281601]
  各トレーニングイメージのマルチスケールパッチ分布をキャプチャする階層的生成モデルを開発した。 この異常スコアは、スケール及び画像領域にわたる正しい変換のパッチベースの投票を集約して得られる。
  論文  参考訳（メタデータ） (2021-04-29T17:49:48Z)

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。