論文の概要: LEAF-Mamba: Feature Adaptation and Fusion for Whole Slide Image Analysis

• arxiv url: http://arxiv.org/abs/2610.29746v1
• Date: Wed, 21 Oct 2026 13:46:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.375036
• Title: LEAF-Mamba: Feature Adaptation and Fusion for Whole Slide Image Analysis
• Title（参考訳）: LEAF-Mamba:全スライド画像解析のための特徴適応と融合
• Abstract要約: LEAF-Mambaは、凍結機能WSI分析のための潜在証拠の適応と融合に対処するフレームワークである。 再構成正規化アダプタは、入力特徴を再構成しながら、コンパクトでタスク固有の表現を学習する。 診断分類と生存予測の両方において、強力なMILベースラインよりも平均性能が向上した。
• 参考スコア（独自算出の注目度）: 18.68178739071173
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Whole slide image (WSI) analysis enables computational diagnosis and prognosis, but gigapixel images and limited annotations make slide-level learning challenging. Multiple instance learning addresses this task by aggregating patch representations from frozen pretrained encoders. Recently, Mamba has enabled efficient modeling of long patch sequences. However, task supervision alone does not explicitly constrain information recovery during feature adaptation, while Mamba couples local processing with long-range propagation rather than retaining separate representations for fusion. Motivated by these challenges, we introduce LEAF-Mamba, a framework that jointly addresses latent evidence adaptation and fusion for frozen-feature WSI analysis. A reconstruction-regularized adapter learns compact, task-specific representations while reconstructing the input features. Parallel Mamba and convolutional streams then capture long-range dependencies and sequence-local interactions, with an input-dependent gate modulating their joint representation before slide-level pooling. Experiments across feature extractors demonstrate improved average performance over strong MIL baselines in both diagnostic classification and survival prediction. Component analyses further support the contributions of adaptation and fusion. These findings highlight the value of jointly designing feature transformation and contextual aggregation to translate pretrained representations into effective slide-level predictions.
• Abstract（参考訳）: ワイルスライド画像 (WSI) 解析により, 計算診断と予後が可能であるが, ギガピクセル画像と限定アノテーションは, スライドレベルの学習を困難にしている。 複数のインスタンス学習は、凍結した事前訓練されたエンコーダからパッチ表現を集約することで、このタスクに対処する。 最近、Mambaは長いパッチシーケンスの効率的なモデリングを可能にした。 しかし、タスクの監督だけでは特徴適応時の情報回復を明示的に制限しないが、Mambaは融合のための別々の表現を保持するのではなく、局所処理と長距離伝搬を結合する。 これらの課題に触発されたLEAF-Mambaは、凍結機能WSI分析のための潜在証拠の適応と融合に共同で対処するフレームワークである。 再構成正規化アダプタは、入力特徴を再構成しながら、コンパクトでタスク固有の表現を学習する。 並列マンバと畳み込みストリームは、スライドレベルプーリングの前に結合表現を変調する入力依存ゲートによって、長距離依存やシーケンスローカルな相互作用をキャプチャする。 特徴抽出器を用いた実験では、診断分類と生存予測の両方において、強力なMILベースラインよりも平均性能が向上した。 コンポーネント分析は、適応と融合の貢献をさらに支援します。 これらの知見は、事前学習した表現を効果的なスライドレベル予測に変換するために、特徴変換と文脈集約を共同で設計する価値を強調した。

関連論文リスト

• Graph Mamba Survival Analysis Based on Topology-Aware ordering [15.72633662773304]
  Mambaモデルは、線形複雑性でTransformerの計算ボトルネックを突破する。 Graph Mambaの従来のノードソート手法は、グラフデータのトポロジ的接続を適切に説明できない。 本稿では,トポロジ対応順序付けに基づく新しいグラフマンバ生存分析フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-23T09:23:12Z)
• ConvVitMamba: Efficient Multiscale Convolution, Transformer, and Mamba-Based Sequence modelling for Hyperspectral Image Classification [2.538209532048867]
  ハイパスペクトル画像(HSI)分類は、高スペクトル次元、冗長性、ラベル付きデータによって依然として困難である。 ConvVitMambaと呼ばれる統合ハイブリッドフレームワークが、効率的なHSI分類のために提案されている。 このアーキテクチャは、3つのコンポーネントを統合する: 局所スペクトル、空間、関節パターンをキャプチャするマルチスケール畳み込み特徴抽出器、グローバルなコンテキスト関係をモデル化するビジョントランスフォーマーベースのトークン化とエンコーディングステージ、効率的なコンテンツ認識のための軽量なMambaインスパイアされたゲート配列混合モジュール。
  論文  参考訳（メタデータ） (2026-04-20T21:26:51Z)
• Fine-tuning MLLMs Without Forgetting Is Easier Than You Think [72.59321247529975]
  分布内および分布外画像およびテキスト入力のモデル性能を評価するための2x2実験フレームワークを設計する。 その結果、トレーニング可能なパラメータの数を制限したり、低学習率を採用するなど、適切な正規化が、アウト・オブ・ディストリビューション・イメージを扱う際の忘れを効果的に防止できることが示唆された。 我々は、このことをタスク固有のオーバーフィッティングとみなし、データハイブリッドトレーニング戦略を導入することでこの問題に対処する。
  論文  参考訳（メタデータ） (2026-03-15T17:16:19Z)
• CtrlFuse: Mask-Prompt Guided Controllable Infrared and Visible Image Fusion [51.060328159429154]
  赤外線と可視画像の融合は、相補的なモダリティを組み合わせることで、全天候の知覚可能な画像を生成する。 我々は,マスクプロンプトによって誘導されるインタラクティブな動的融合を可能にする,制御可能な画像融合フレームワークであるCtrlFuseを提案する。 実験では、融合制御性とセグメンテーション精度の両立を実証し、適応されたタスク分岐は元のセグメンテーションモデルよりも優れていた。
  論文  参考訳（メタデータ） (2026-01-12T13:36:48Z)
• MambaMIL+: Modeling Long-Term Contextual Patterns for Gigapixel Whole Slide Image [24.093388981091717]
  多重インスタンス学習(MIL)は、各WSIをパッチレベルのインスタンスの袋として扱うことでソリューションを提供する。 Mambaは長いシーケンス学習のための有望な代替手段として登場し、数千のトークンに線形にスケーリングしている。 長距離依存性モデリングを維持しながら空間コンテキストを明示的に統合する新しいMILフレームワークであるMambaMIL+を提案する。
  論文  参考訳（メタデータ） (2025-12-19T16:01:14Z)
• Group Relative Augmentation for Data Efficient Action Detection [11.169883977958454]
  アクション検出にVLM(Big Video-Language Models)を適応させるには、いくつかの例が課題となっている。 パラメータ係数チューニング(LoRA)と新たな学習可能な内部特徴拡張を組み合わせた効率的な適応戦略を提案する。 複雑なマルチラベル・マルチパーソン動作検出データセットに対して,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2025-07-28T21:46:05Z)
• SIGMA: Selective Gated Mamba for Sequential Recommendation [56.85338055215429]
  最近の進歩であるMambaは、時系列予測において例外的なパフォーマンスを示した。 SIGMA(Selective Gated Mamba)と呼ばれる,シークエンシャルレコメンデーションのための新しいフレームワークを紹介する。 以上の結果から,SIGMAは5つの実世界のデータセットにおいて,現在のモデルよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-08-21T09:12:59Z)

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。