Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

Stratégies d'apprentissage adaptatif pour la classification des figures mitotiques dans le défi MIDOG2025

Created by
  • Haebom

Auteur

Biwen Meng, Xi Long, Jingxin Liu

Contour

Les figures mitotiques atypiques (AMF) sont un indicateur cliniquement important de division cellulaire anormale, mais leur détection fiable est difficile en raison de l'ambiguïté morphologique et de la variabilité du scanner. Dans cette étude, nous avons étudié trois variantes du modèle pathologique UNI2 appliqué au défi MIDOG2025 Track 2 : (1) LoRA + UNI2, (2) VPT + UNI2 + Vahadane Normalizer, et (3) VPT + UNI2 + GRL + Stain TTA. Nous avons constaté que l'intégration du réglage des invites visuelles (VPT) à la normalisation des colorations améliorait les performances de généralisation. L'ajout de l'augmentation du temps de test (TTA) à l'aide de Vahadane et de la normalisation des colorations de Macenko a permis d'obtenir la plus grande robustesse. La soumission finale a atteint une précision équilibrée de 0,8837 et un ROC-AUC de 0,9513, la plaçant parmi les 10 meilleures équipes du classement préliminaire. Ces résultats suggèrent que la combinaison d'une adaptation basée sur l'invite avec une TTA normalisée par coloration est une stratégie prometteuse pour classer les mitoses atypiques dans diverses conditions d'imagerie.

Takeaways, Limitations

Takeaways: Nous démontrons qu'une approche combinée de réglage des invites visuelles (VPT), ​​de normalisation des colorants (Vahadane, Macenko) et d'augmentation du temps de test (TTA) améliore efficacement les performances et garantit la robustesse de la classification mitotique atypique. Nous avons obtenu les meilleurs résultats au défi MIDOG2025 Track 2.
Limitations: Cette étude présente les résultats d'un ensemble de données spécifique (MIDOG2025 Track 2). Des recherches supplémentaires sont nécessaires pour déterminer les performances de généralisation sur d'autres ensembles de données ou en milieu clinique. Des recherches supplémentaires sont nécessaires pour optimiser la technique de normalisation des colorants utilisée et la comparer à d'autres techniques de réglage rapide.
👍