論文の概要: K-CLUE: A Segmentation-to-Clustering Framework for Ki67 Cell Typing

• arxiv url: http://arxiv.org/abs/2610.32493v1
• Date: Fri, 23 Oct 2026 11:08:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.504187
• Title: K-CLUE: A Segmentation-to-Clustering Framework for Ki67 Cell Typing
• Title（参考訳）: K-CLUE: Ki67セルタイピングのためのセグメンテーション・クラスタリングフレームワーク
• Abstract要約: K-CLUEは個々の核を分断し、予め訓練されたエンコーダで各核を表現するフレームワークである。 Ki67陽性とKi67陰性核をk平均クラスタリングで分離する。 エンドツーエンドの評価では、K-CLUEはMIST上のKi67陽性核とKi67陰性核で85.00%、81.91%、BCData上では79.59%、81.16%に達する。
• 参考スコア（独自算出の注目度）: 2.583372819383456
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ki67 is a key marker of tumor proliferation in breast cancer, but its quantification from immunohistochemistry images normally depends on supervised classifiers trained per dataset. We examine the role of frozen pretrained visual representations in annotation-free Ki67 cell typing. To this end, we use K-CLUE, a framework that segments individual nuclei, represents each nucleus with a pretrained encoder, reduces the resulting embeddings with principal component analysis, and separates Ki67-positive from Ki67-negative nuclei using k-means clustering, without task-specific training or manual annotations. Clustering the raw components is highly sensitive to the choice of encoder: across seven encoders, the Ki67-positive F1-score on matched MIST nuclei varies by 44 points, although Ki67 status remains linearly decodable from every representation, with supervised probe AUCs above 0.98. Analysis of the embedding spaces shows that clustering succeeds when DAB-related variation occupies the leading directions of variance. Whitening the retained principal components removes this dependence, reducing the spread across encoders to 1.00 F1-score point. Handcrafted color representations are also competitive, confirming that Ki67 status is strongly reflected in chromatic information, but they require an explicit choice of color space. In end-to-end evaluation, K-CLUE reaches F1-scores of 85.00% and 81.91% for Ki67-positive and Ki67-negative nuclei on MIST, and 79.59% and 81.16% on BCData, outperforming DeepLIIF and IHCScoreGAN on both datasets. These results show that pretrained representations can support annotation-free Ki67 typing when their variance structure is accounted for.
• Abstract（参考訳）: Ki67は乳癌における腫瘍増殖の重要なマーカーであるが、免疫組織化学画像からの定量化は通常、データセットごとに訓練された教師付き分類因子に依存する。 アノテーションのないKi67細胞タイピングにおける凍結事前学習型視覚表現の役割について検討した。 この目的のために、個々の核を分割するフレームワークであるK-CLUEを用いて、各核を予め訓練されたエンコーダで表現し、その結果の埋め込みを主成分分析で低減し、k-meansクラスタリングを用いてKi67陽性とKi67陰性核をタスク固有のトレーニングや手動アノテーションなしで分離する。 7つのエンコーダの中で、マッチしたMIST核上のKi67陽性のF1スコアは44ポイント異なるが、Ki67のステータスはすべての表現から線形にデオード可能であり、監督プローブAUCは0.98以上である。 埋め込み空間の解析は、DABに関連する変動が分散の先頭方向を占める場合、クラスタリングが成功することを示している。 保持された主成分の白化は、この依存を排除し、エンコーダ間の拡散を1.00 F1スコアポイントに削減する。 手作業による色表現も競争力があり、Ki67の状態が色情報に強く反映されていることを確認しているが、色空間の明示的な選択が必要である。 エンドツーエンドの評価では、K-CLUEはMIST上のKi67陽性核とKi67陰性核の85.00%と81.91%のF1スコアに達し、BCDataでは79.59%と81.16%に達し、両方のデータセットでDeepLIIFとIHCScoreGANを上回っている。 これらの結果は、事前訓練された表現は、それらの分散構造が考慮されている場合、アノテーションなしのKi67タイピングをサポートすることができることを示している。

関連論文リスト

• Anatomical Grounding and Leakage-Aware Multimodal Contrastive Learning for Alzheimer's Disease Classification from Structural MRI [0.0]
  アルツハイマー病の構造MRIで訓練されたディープネットワークは、解剖学的に無関係な領域に到達しながら、妥当な精度に達することが多い。 我々は解剖学的参照としてFastSurferセグメンテーションを使用します。 私たちは、CLIPスタイルのイメージに適応し、ラベルリードスペクトルに沿ってADNIMERGE変数を整理する。
  論文  参考訳（メタデータ） (2026-09-14T17:13:12Z)
• What EEG Foundation Models Encode: Dataset Identity and a Negative-Control Suite for Clinical Benchmarks [0.0]
  LaBraM、EEGMamba、CBraMod、REVE、LEAD、BENDR、BIOTを4つのデータセットで5つの臨床タスクでベンチマークする。 我々は、より強力な古典的コンパレータ、ラベルの置換、スクランブルラベルの微調整、ランダム初期化制御による明らかなゲインに挑戦する。 結論はモンタージュマッチング、患者オーバーラップチェック、より強力なコンパレータ、表現制御後に大きく変化する。
  論文  参考訳（メタデータ） (2026-07-27T14:59:42Z)
• A Detection-Gated Pipeline for Robust Glottal Area Waveform Extraction and Clinical Pathology Assessment [0.0]
  本稿では,ローカライザとセグメンタを統合した検出ゲートパイプラインを提案する。 パイプラインはGIRAFEとBAGLSベンチマークで最先端の一貫性を達成した。
  論文  参考訳（メタデータ） (2026-03-02T17:05:41Z)
• AttentiveGRUAE: An Attention-Based GRU Autoencoder for Temporal Clustering and Behavioral Characterization of Depression from Wearable Data [46.262619407930266]
  本稿では,時間的クラスタリングと縦型ウェアラブルデータによる結果の予測を目的とした,新しい注意型ゲートリカレントユニット(GRU)オートエンコーダであるAttentiveGRUAEを提案する。 372名(GLOBEM 2018-2019)の長期睡眠データからAttentiveGRUAEを評価する。 これは、クラスタリングの品質と抑うつの分類の両方において、ベースラインクラスタリング、ドメイン指向の自己教師付きモデル、および改善されたモデルよりも優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-10-02T20:52:16Z)
• Single Shot AI-assisted quantification of KI-67 proliferation index in breast cancer [0.0]
  そこで本研究では, YOLOv8オブジェクト検出フレームワークを用いたAIによるKi-67自動スコアリング手法を提案する。 化学染色した腫瘍部位の高解像度デジタル画像(40倍倍)をKi-67ホットスポット領域から採取し,領域の専門家が手動でKi-67陽性腫瘍細胞と陰性腫瘍細胞の鑑別を行った。 提案手法は,Ki-67の評価において,従来手法よりも効率よく,スケーラブルで,客観的な代替手段を提供する。
  論文  参考訳（メタデータ） (2025-03-25T12:41:45Z)
• Prompt-based Grouping Transformer for Nucleus Detection and Classification [70.55961378096116]
  核の検出と分類は、疾患の診断に有効な情報を生み出す。 既存のほとんどの手法は、核を独立に分類するか、核とそのグループの特徴の間の意味的類似性を十分に利用しない。 グループ変換器をベースとした新しいエンドツーエンドの原子核検出・分類フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-22T04:50:48Z)
• Comparative analysis of deep learning approaches for AgNOR-stained cytology samples interpretation [52.77024349608834]
  本稿では, 深層学習手法を用いて, 好気性ヌクレオラオーガナイザ領域 (AgNOR) 染色スライダを解析する方法を提案する。 以上の結果から,バックボーンとしてResNet-18やResNet-34を用いたU-Netを用いたセマンティックセマンティックセマンティックセマンティクスは類似した結果を示す。 最も優れたモデルは、それぞれ0.83、0.92、0.99の核、クラスター、衛星のIoUを示す。
  論文  参考訳（メタデータ） (2022-10-19T15:15:32Z)
• Self-supervised contrastive learning of echocardiogram videos enables label-efficient cardiac disease diagnosis [48.64462717254158]
  心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。 左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。 EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
  論文  参考訳（メタデータ） (2022-07-23T19:17:26Z)
• A deep learning pipeline for breast cancer ki-67 proliferation index scoring [1.4543168464284166]
  Ki-67の増殖指数は、病理学者が適切な治療法を診断し選択するのに役立つ重要なバイオマーカーである。 本稿では,Ki-67の正確な自動カウントのための統合パイプラインを提案する。
  論文  参考訳（メタデータ） (2022-03-14T19:13:06Z)
• Contrastive Clustering [57.71729650297379]
  本稿では,インスタンスレベルのコントラスト学習を明示的に行うContrastive Clustering (CC)を提案する。 特にCCは、CIFAR-10(CIFAR-100)データセット上で0.705(0.431)のNMIを達成しており、最高のベースラインと比較して最大19%(39%)のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2020-09-21T08:54:40Z)
• Instance-aware Self-supervised Learning for Nuclei Segmentation [47.07869311690419]
  本稿では,核インスタンス分割タスクにおける畳み込みニューラルネットワーク(CNN)の能力を活用するための,新たな自己教師型学習フレームワークを提案する。 提案するアプローチには、2つのサブタスクが含まれており、ニューラルネットワークは、核の大きさと量の事前知識を暗黙的に活用することができる。 公開されているMoNuSegデータセットの実験結果から、提案した自己教師付き学習手法は、核インスタンスのセグメンテーション精度を著しく向上させることができることが示された。
  論文  参考訳（メタデータ） (2020-07-22T03:37:14Z)

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。