論文の概要: BatchBench: Benchmarking AI Robustness to Batch Effects and Domain Shift in Biomedical Images - A JUMP Cell Painting Leaderboard

• arxiv url: http://arxiv.org/abs/2610.30104v1
• Date: Wed, 21 Oct 2026 17:50:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.464628
• Title: BatchBench: Benchmarking AI Robustness to Batch Effects and Domain Shift in Biomedical Images - A JUMP Cell Painting Leaderboard
• Title（参考訳）: BatchBench: バイオメディカルイメージにおけるバッチ効果とドメインシフトに対するAIロバストネスのベンチマーク - JUMPセルペイントリーダボード
• Abstract要約: BatchBenchは、バイオメディカルイメージ上のAIシステムの堅牢性を評価し、比較するリーダーボードである。 JUMP-CPは、広く公開されているバイオメディカルイメージングデータセットの1つである。
• 参考スコア（独自算出の注目度）: 5.712877019877459
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite recent advances, current AI systems remain highly susceptible to domain shifts, particularly in biomedical imaging, where images are usually acquired under substantially different experimental conditions. Although recent domain adaptation methods have made substantial progress, significant performance gaps under domain shift persist. To measure progress in this regard, we introduce BatchBench, a leaderboard that evaluates and compares the robustness of AI systems on biomedical images from unseen experimental batches and data sources. BatchBench is built on JUMP-CP, one of the largest publicly available biomedical imaging datasets. Generated using the Cell Painting assay, JUMP-CP exhibits pronounced batch effects and domain shifts, making it a challenging testbed for evaluating robustness to distributional changes.
• Abstract（参考訳）: 近年の進歩にもかかわらず、現在のAIシステムは領域シフト、特にバイオメディカルイメージングにおいて、非常に異なる実験条件下で画像が取得される場合、非常に影響を受けやすいままである。 最近のドメイン適応手法は大きな進歩を遂げているが、ドメインシフトの下での大幅なパフォーマンスギャップは持続している。 この点に関して進捗を測るために、未確認の実験バッチとデータソースからのバイオメディカル画像上のAIシステムの堅牢性を評価し比較するリーダーボードであるBatchBenchを紹介する。 BatchBenchは、JUMP-CP上に構築されている。 Cell Painting Assayを用いて作製されたJUMP-CPは、明らかにバッチ効果とドメインシフトを示し、分布変化に対するロバスト性を評価するのに難しいテストベッドである。

関連論文リスト

• Secure-by-Disguise: A Systematic Evaluation of Image Disguising for Confidential Medical Image Modeling [15.1132488412831]
  クラウドベースのディープラーニングは、大規模な医療画像解析を可能にするが、センシティブな患者イメージがモデル開発のためにアウトソースされた場合、プライバシー上の重大な懸念が生じる。 Image Disguisingは、イメージを視覚的に理解できない表現に変換する、将来性のあるプライバシー向上技術(PET)として登場した。
  論文  参考訳（メタデータ） (2026-07-09T18:43:58Z)
• MMBU: A Massive Multi-modal Biomedical Understanding Benchmark to Probe the Perception Capabilities of Vision-Language Models [83.50100003741628]
  ビジョンと言語モデル(VLM)は、バイオメディカルイメージングを変革する大きな可能性を秘めている。 本稿では,MMBU(Massive Multimodal Biomedical Understanding)ベンチマークを紹介する。 今までで最大のビジョンと言語ベンチマークで、35のサブモダリティと豊富な構造化メタデータをカバーしている。
  論文  参考訳（メタデータ） (2026-06-04T20:24:47Z)
• Test-Time Domain Generalization via Universe Learning: A Multi-Graph Matching Approach for Medical Image Segmentation [17.49123106322442]
  テスト時間適応(TTA)は、未ラベルのテストデータを用いて学習モデルを調整する。 形態情報を導入し,マルチグラフマッチングに基づくフレームワークを提案する。 本手法は,2つの医用画像セグメンテーションベンチマークにおいて,他の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2025-03-17T10:11:11Z)
• FedMedICL: Towards Holistic Evaluation of Distribution Shifts in Federated Medical Imaging [68.6715007665896]
  FedMedICLは統合されたフレームワークであり、フェデレートされた医療画像の課題を全体評価するためのベンチマークである。 6種類の医用画像データセットについて,いくつかの一般的な手法を総合的に評価した。 単純なバッチ分散手法はFedMedICL実験全体の平均性能において,高度な手法を超越していることがわかった。
  論文  参考訳（メタデータ） (2024-07-11T19:12:23Z)
• Test-Time Generative Augmentation for Medical Image Segmentation [20.12850876150199]
  本稿では,テスト期間中の医用画像のセグメンテーションを強化する新しい手法を提案する。 入力テスト画像に手作り変換や関数を使う代わりに、先進的なドメインファインチューニング生成モデル(GM)の利用を提唱する。 医用画像分割作業におけるTTGAの有効性と有用性を示す実験を行った。
  論文  参考訳（メタデータ） (2024-06-25T14:53:01Z)
• Exposing Image Splicing Traces in Scientific Publications via Uncertainty-guided Refinement [30.698359275889363]
  画像操作の疑いのある科学出版物の急増は、多くの撤回につながった。 画像スプライシング検出は、参照画像の欠如と典型的には小さな改ざんされた領域のため、より困難である。 本稿では,破壊要因の影響を軽減するために,不確実性誘導型リファインメントネットワーク(URN)を提案する。
  論文  参考訳（メタデータ） (2023-09-28T12:36:12Z)
• Improving FHB Screening in Wheat Breeding Using an Efficient Transformer Model [0.0]
  フサリウム・ヘッド・ブライト(Fusarium head blight)は、小さな穀物に毎年重大な経済的損失をもたらす壊滅的な病気である。 FHBの早期検出のために,教師付き機械学習アルゴリズムを用いて画像処理技術を開発した。 変圧器モデルにU-Netネットワークの局所表現機能を統合するために,新しいContext Bridgeを提案する。
  論文  参考訳（メタデータ） (2023-08-07T15:44:58Z)
• MedSegDiff-V2: Diffusion based Medical Image Segmentation with Transformer [53.575573940055335]
  我々は、MedSegDiff-V2と呼ばれるトランスフォーマーベースの拡散フレームワークを提案する。 画像の異なる20種類の画像分割作業において,その有効性を検証する。
  論文  参考訳（メタデータ） (2023-01-19T03:42:36Z)
• Learning to Exploit Temporal Structure for Biomedical Vision-Language Processing [53.89917396428747]
  視覚言語処理における自己教師あり学習は、画像とテキストのモダリティのセマンティックアライメントを利用する。 トレーニングと微調整の両方で利用できる場合、事前のイメージとレポートを明示的に説明します。 我々のアプローチはBioViL-Tと呼ばれ、テキストモデルと共同で訓練されたCNN-Transformerハイブリッドマルチイメージエンコーダを使用する。
  論文  参考訳（メタデータ） (2023-01-11T16:35:33Z)
• Texture Characterization of Histopathologic Images Using Ecological Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
  本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。 2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
  論文  参考訳（メタデータ） (2022-02-27T02:19:09Z)
• Automatic image-based identification and biomass estimation of invertebrates [70.08255822611812]
  時間を要する分類と分類は、どれだけの昆虫を処理できるかに強い制限を課す。 我々は、人間の専門家による分類と識別の標準的な手動アプローチを、自動画像ベース技術に置き換えることを提案する。 分類タスクには最先端のResnet-50とInceptionV3 CNNを使用する。
  論文  参考訳（メタデータ） (2020-02-05T21:38:57Z)

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。