Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

Estrategias de aprendizaje adaptativo para la clasificación de figuras mitóticas en el desafío MIDOG2025

Created by
  • Haebom

Autor

Biwen Meng, Xi Long, Jingxin Liu

Describir

Las figuras mitóticas atípicas (FMA) son un indicador clínicamente importante de división celular anormal, pero su detección fiable es difícil debido a la ambigüedad morfológica y la variabilidad del escáner. En este estudio, investigamos tres variantes del modelo UNI2 basado en patología aplicadas al desafío MIDOG2025 Track 2: (1) LoRA + UNI2, (2) VPT + UNI2 + Vahadane Normalizer, y (3) VPT + UNI2 + GRL + Stain TTA. Descubrimos que la integración del ajuste de indicaciones visuales (VPT) con la normalización de tinciones mejoró el rendimiento de la generalización. La adición del aumento del tiempo de prueba (TTA) mediante Vahadane y la normalización de tinciones de Macenko logró la mayor robustez. El envío final logró una precisión equilibrada de 0,8837 y un ROC-AUC de 0,9513, lo que lo colocó entre los 10 mejores equipos en la clasificación preliminar. Estos resultados sugieren que la combinación de la adaptación basada en indicaciones con TTA normalizado por tinción es una estrategia prometedora para clasificar mitosis atípicas en una variedad de condiciones de imágenes.

Takeaways, Limitations

Takeaways: Demostramos que un enfoque combinado de ajuste de indicaciones visuales (VPT), ​​normalización de colorantes (Vahadane, Macenko) y aumento del tiempo de prueba (TTA) mejora eficazmente el rendimiento y garantiza la robustez en la clasificación mitótica atípica. Obtuvimos la mejor clasificación en el desafío MIDOG2025 Track 2.
Limitations: Este estudio presenta resultados de un conjunto de datos específico (MIDOG2025 Track 2). Se requiere más investigación para determinar el rendimiento de la generalización en otros conjuntos de datos o en entornos clínicos. Se requiere más investigación para optimizar la técnica de normalización de colorantes utilizada y compararla con otras técnicas de ajuste de indicadores.
👍