論文の概要: TAN: A Size- and Form-Adaptive Masked-Convolution Encoder for Tissue Graphs
- arxiv url: http://arxiv.org/abs/2610.23475v1
- Date: Fri, 16 Oct 2026 13:53:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 00:56:07.944509
- Title: TAN: A Size- and Form-Adaptive Masked-Convolution Encoder for Tissue Graphs
- Title（参考訳）: TAN: 組織グラフのためのサイズおよび形状適応型マスケッド変換エンコーダ
- Abstract要約: スーパーピクセルを埋め込むために、現在のエンコーダはそれらをバウンディングボックスに収穫し、パッド、サイズ変更、あるいはマスクする。
TANはコンパクトな畳み込みエンコーダで、各スーパーピクセルをそのネイティブな形状と範囲で処理し、すべての操作から背景を除外する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Tissue graphs represent histology images as graphs over tissue-conforming superpixels, which keeps homogeneous tissue regions intact instead of cutting them into rectangular patches. To embed superpixels, current encoders crop them to bounding boxes and then pad, resize, or mask them, so background or fill values can leak into the node features. This matters in practice, and especially in medical imaging, where a prediction should depend on the tissue and not on an arbitrary preprocessing choice: on BACH, changing only the fill of the masked region shifts the accuracy of frozen encoders by up to 6 percentage points, larger than the differences among the four best encoders under mean fill, and the preferred fill differs between datasets, so it cannot be fixed once and for all. We present TAN (Tissue-Aware Network), a compact convolutional encoder (0.41M parameters) that processes each superpixel at its native shape and extent and excludes background from every operation, which makes its embeddings exactly invariant to the fill by construction. Under identical masks and an identical graph classifier, TAN's accuracy on BACH is not significantly different from that of the 303M-parameter foundation model UNI (81.1% vs. 80.7-82.6%, depending on the fill), with ~740x fewer parameters, ~1,190x fewer FLOPs, and no pretraining. On BRACS, TAN is close to a ResNet18 trained under the same protocol and trails the histopathology foundation models. An ablation with TAN's architecture but standard processing of fill-padded crops shows that masking keeps accuracy similar (nominally higher on BACH, lower on BRACS, within noise) at less than half the FLOPs.
- Abstract（参考訳）: 組織グラフは組織像を組織形成スーパーピクセル上のグラフとして表現し、長方形のパッチに切るのではなく、均一な組織領域を無傷で保持する。
スーパーピクセルを埋め込むために、現在のエンコーダはそれらをバウンディングボックスに収穫し、パッド、サイズ変更、あるいはマスクする。
BACHでは、マスクされた領域の充填だけを変更すれば、凍結したエンコーダの精度が最大6ポイントずれ、平均充填下の4つのベストエンコーダの差よりも大きくなり、好みの充填はデータセットによって異なるため、一度でも修正できない。
本稿では,コンパクトな畳み込みエンコーダ(0.41Mパラメータ)であるTAN(T Issue-Aware Network)について述べる。
同一のマスクと同一のグラフ分類器の下では、TANのBACHの精度は、303Mパラメータの基礎モデルであるUNI(81.1%対80.7-82.6%)と大きく異なるものではなく、パラメータは740倍、FLOPは1,190倍、事前訓練はない。
BRACSでは、TANは同じプロトコルでトレーニングされたResNet18に近い。
TANのアーキテクチャと相関するが、充填された作物の標準的な処理は、マスクがFLOPの半分未満の精度で精度(BACH、BRACS、雑音下ではBRACS)を保っていることを示している。
関連論文リスト
- FETALFusion: Resolution-Aware State-Space Modeling for Multi-Domain Fetal Head Segmentation [22.643964229988267]
胎児頭部分節のためのデュアルパスCNN-MambaエンコーダであるFETALFusionを提案する。
4方向のステートスペーススキャンを2つの高解像度ステージでのみ適用する。
FETALFusionのDiceスコアは0.963、HD95は2.10mmで、テスト時間拡張やドメインラベルはない。
論文 参考訳（メタデータ） (2026-10-13T08:35:30Z) - A PyTorch Library for Hyperspectral Image Models: Technical Report [4.164845768197488]
Hyperspectral Image Modelsは、断片化されたリポジトリ、互換性のないテンソル規約、標準化されていない評価に対処する。
6つのパラダイムで55の代表的なモデルを統一し、共通のレジストリ、自動4D/5Dテンソル適応、標準化されたコンストラクタを備える。
Airborne、Spaceborne、UAV、Mars CRISMセンサーからの24のベンチマークシーンを統合し、キャッシュ、ラベルリマッピング、PCA、明示的なバンド選択または生のスペクトル、オプションの空間最大プーリング、任意のPxPパッチ抽出を行う。
論文 参考訳（メタデータ） (2026-09-30T14:50:21Z) - Detection is solved, delineation is not: what governs tooth segmentation on panoramic radiographs [0.3262230127283452]
本研究は,42,142個の歯科用ポリゴンを含む1,422個のパノラマX線撮影装置を組み立てた。
入力解像度、アーキテクチャ、解剖学的事前を単一の評価プロトコルで分離するために使用する。
論文 参考訳（メタデータ） (2026-09-18T11:08:02Z) - DepthART: Scaling Foundation Monocular Depth to Tiny Models [51.10174763031444]
DepthARTは、様々なシーンにまたがるデバイス上のデプロイメントのためのコンパクトなMDEモデルである。
ゼロショット一般化とメートル法精度の両方において、DepthARTが従来の小さなベースラインを一貫して上回っていることを示す。
また、GTX A6000で347/245 FPS (strict FP32)、Orin NX 8GBで2242/4482ドル、102 FPS (TF32)、Jetson Nano 4GBで15 FPS (FP32) に達したスケーラブルなモデルファミリも提供しています。
論文 参考訳（メタデータ） (2026-07-19T06:54:52Z) - High-Frequency Prior-Driven Adaptive Masking for Accelerating Image Super-Resolution [87.56382172827526]
高周波領域は再建に最も重要である。
本稿では,アクセラレーションのためのトレーニング不要適応マスキングモジュールを提案する。
本手法は,最先端モデルのFLOPを24～43%削減する。
論文 参考訳（メタデータ） (2025-05-11T13:18:03Z) - Layer- and Timestep-Adaptive Differentiable Token Compression Ratios for Efficient Diffusion Transformers [55.87192133758051]
Diffusion Transformer (DiTs)は、最先端(SOTA)画像生成の品質を達成したが、レイテンシとメモリ非効率に悩まされている。
圧縮比の異なる動的DiT推論フレームワークであるDiffCRを提案する。
論文 参考訳（メタデータ） (2024-12-22T02:04:17Z) - Centroid-centered Modeling for Efficient Vision Transformer Pre-training [44.24223088955106]
Masked Image Modeling (MIM)は、視覚変換器(ViT)を用いた新しい自己教師型ビジョン事前学習パラダイムである。
提案するCentroid-based approach, CCViT は k-means clustering を利用して画像モデリングのためのCentroid を得る。
提案手法は, 外部監督や蒸留訓練を伴わずに, 最近のベースラインと競合する結果が得られる。
論文 参考訳（メタデータ） (2023-03-08T15:34:57Z) - Enhanced Sharp-GAN For Histopathology Image Synthesis [63.845552349914186]
病理組織像合成は、正確ながん検出のためのディープラーニングアプローチの訓練において、データ不足の問題に対処することを目的としている。
核トポロジと輪郭正則化を用いて合成画像の品質を向上させる新しい手法を提案する。
提案手法は、Sharp-GANを2つのデータセット上の4つの画像品質指標すべてで上回る。
論文 参考訳（メタデータ） (2023-01-24T17:54:01Z) - Deep Active Contours Using Locally Controlled Distance Vector Flow [0.0]
ACM(Active Contours Model)はコンピュータビジョンや画像処理に広く使われている。
CNNは、輪郭の進化と画像のセグメンテーションの過程でユーザーを置き換えるアクティブな輪郭と組み合わせています。
論文 参考訳（メタデータ） (2021-05-18T11:38:01Z) - Locally Masked Convolution for Autoregressive Models [107.4635841204146]
LMConvは標準的な2Dコンボリューションの簡単な修正であり、任意のマスクを画像の各位置の重みに適用することができる。
我々は,パラメータを共有するが生成順序が異なる分布推定器のアンサンブルを学習し,全画像密度推定の性能を向上させる。
論文 参考訳（メタデータ） (2020-06-22T17:59:07Z)
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。