論文の概要: Multi-scale Fusion of Fast Vision Mamba and Foundation Model Features for Patch-Level Gleason Grading in Computational Pathology

• arxiv url: http://arxiv.org/abs/2610.25904v1
• Date: Mon, 19 Oct 2026 07:04:28 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:26:13.148457
• Title: Multi-scale Fusion of Fast Vision Mamba and Foundation Model Features for Patch-Level Gleason Grading in Computational Pathology
• Title（参考訳）: 高速ビジョンマンバのマルチスケール融合と計算病理におけるパッチレベルグリーソングレーディングの基礎モデル特徴
• Abstract要約: 前立腺全スライド画像(WSI)の自動グリーソングレーディングは、より高速で一貫性のあるがんリスク層形成を可能にする。 成績の微妙な形態的差異、希少なパターンによる重度の階級不均衡、複数の空間的尺度にまたがる診断的特徴など、依然として困難な課題である。 状態空間モデルに基づくマルチスケール分類器を提案する。
• 参考スコア（独自算出の注目度）: 0.3823356975862005
• License:
• Abstract: Automated Gleason grading of prostate whole slide images (WSIs) enables faster and more consistent cancer risk stratification. However, it remains a challenging task due to the subtle morphological differences between grades, the severe class imbalance arising from rare patterns, and the diagnostic features that span multiple spatial scales. Pathology foundation models (FMs) extract strong patch representations but often operate at a single-scale, which limits spatial context and disproportionately affects classes that depend on broader context. The challenge of fusing multiple scales and complementary models, with minimal data and computational resources, remains unresolved. We propose a multi-scale classifier built on state-space models. Our method combines two complementary feature sources: a frozen foundation model, and a lightweight FastVim, pre-trained on ImageNet and distilled from the foundation model, that reads the raw image crops. At each scale, a Mamba model encodes the features from both sources with linear-time spatial context, and a jointly trained head fuses the encoded representations into one prediction. On the PANDA dataset, our method reaches macro F1 of 0.894 and Gleason 5 F1 of 0.802 under 5-fold cross-validation, a 12% and 21% relative improvement over the best single-scale model. A controlled study over 5 foundation models, 5 base classifiers and 3 scales confirms that the gain holds across encoders, with larger improvements observed at smaller scales.
• Abstract（参考訳）: 前立腺全スライド画像(WSI)の自動グリーソングレーディングは、より高速で一貫性のあるがんリスク層形成を可能にする。 しかし, 等級間の微妙な形態的差異, 希少なパターンによる重度の階級不均衡, 複数の空間的尺度にまたがる診断的特徴により, 依然として困難な課題である。 病理基盤モデル(FM)は、強いパッチ表現を抽出するが、しばしば単一スケールで動作し、空間的コンテキストを制限し、より広いコンテキストに依存するクラスに不均等に影響を及ぼす。 複数のスケールと補完的なモデルを最小限のデータと計算資源で融合するという課題は未解決のままである。 状態空間モデルに基づくマルチスケール分類器を提案する。 本手法は, 凍結基礎モデルと, ImageNetで事前学習したFastVimと, 原画像から抽出したFastVimの2つの相補的特徴源を組み合わせる。 各スケールにおいて、Mambaモデルは、両方のソースの特徴を線形時間空間コンテキストでエンコードし、共同で訓練されたヘッドは、エンコードされた表現を1つの予測に融合する。 PANDAデータセットでは,Gleason 5 F1が0.894,Gleason 5 F1が0.802,Gleason 5 F1が5倍のクロスバリデーションが12%,Gleason 5 F1が21%であった。 5つの基礎モデル、5つの基本分類器、3つのスケールで制御された研究により、エンコーダ間で利得が保たれ、より小さなスケールでより大きな改善が観測されることを確認した。

関連論文リスト

• One Model to Magnify Them All: Efficient Scale-Invariant Histopathology via Conditional Normalization and Continuous Magnification Training [2.519619892651923]
  ディープラーニングモデルは、スケールの変動に敏感である。 本研究では,小画素サイズからアフィンパラメータを生成する機構である条件正規化(CLN)を提案する。 PANDA前立腺癌データセットでは、我々のアプローチは独立に訓練された単磁化モデルと一致し、評価された倍率ごとに上位3人のパフォーマーの中でランク付けされる。
  論文  参考訳（メタデータ） (2026-08-10T10:28:43Z)
• Validation of Whole-Slide Foundation Models for Image Retrieval in TCGA Data [1.834937230572996]
  私たちはThe Cancer Genome Atlasの17の臓器と60の診断にまたがる9,387の診断スライドで10のパイプラインをベンチマークした。 方法としては、4つの事前訓練されたスライド基盤モデル、パッチ埋め込みのための注意ベースの多重インスタンス学習(ABMIL)アグリゲータ、パッチレベルの検索がある。
  論文  参考訳（メタデータ） (2026-04-28T19:19:53Z)
• G2L:From Giga-Scale to Cancer-Specific Large-Scale Pathology Foundation Models via Knowledge Distillation [8.837656649053004]
  本稿では,ギガスケールモデルのパラメータのわずか15%である大規模ファンデーションモデルの性能向上戦略を提案する。 提案手法は, ギガスケールモデルから大規模モデルへの知識蒸留に適用し, 対象がんの1Kパススライスを応用した。
  論文  参考訳（メタデータ） (2025-10-13T09:08:59Z)
• Benchmarking Foundation Models for Mitotic Figure Classification [0.37334049820361814]
  自己教師付き学習技術は、大規模なニューラルネットワークのトレーニングに大量のラベルのないデータを使用することを可能にした。 本研究では,ミオティックフィギュア分類における基礎モデルの利用について検討する。 我々は、すべてのモデルと、CNNとVision Transformerの両方のエンドツーエンドトレーニングベースラインを比較した。
  論文  参考訳（メタデータ） (2025-08-06T13:30:40Z)
• Evaluating Computational Pathology Foundation Models for Prostate Cancer Grading under Distribution Shifts [3.2995359570845912]
  UNI (10万枚以上) と CONCH (1100万枚以上) の2つの計算病理基盤モデルを評価する。 UNIとCONCHはベースラインとよく比較できるが、絶対的な性能は特定の設定ではあまり満足できない。
  論文  参考訳（メタデータ） (2024-10-09T09:45:53Z)
• DEEM: Diffusion Models Serve as the Eyes of Large Language Models for Image Perception [66.88792390480343]
  本稿では,拡散モデルの生成的フィードバックを利用して画像エンコーダのセマンティックな分布を整合させる,シンプルだが効果的なアプローチであるDEEMを提案する。 DEEMは、トレーニング可能なパラメータが少なく、事前学習データが少なく、ベースモデルのサイズが小さいことを利用して、モデル幻覚を軽減するために、強化された堅牢性と優れた能力を示す。
  論文  参考訳（メタデータ） (2024-05-24T05:46:04Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)

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。