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.

MitoDetect++ : un pipeline robuste pour la détection de mitose et le sous-typage atypique

Created by
  • Haebom

Auteur

Esha Sadia Nasir, Jiaqi Lv, Mostafa Jahanifar, Shan E Ahmed Raza

Contour

MitoDetect++ est un pipeline d'apprentissage profond intégré pour la détection de phase mitotique et la classification mitotique atypique. La détection (voie 1) utilise une architecture codeur-décodeur basée sur U-Net avec EfficientNetV2-L comme infrastructure et un module d'attention, entraînés par perte de segmentation conjointe. La classification (voie 2) utilise un transformateur de vision Virchow2, optimisé efficacement par l'adaptation de bas rang (LoRA), afin de minimiser la consommation de ressources. Il intègre une augmentation puissante, une perte focale et une validation croisée hiérarchique à 5 niveaux prenant en compte les groupes afin d'améliorer les performances de généralisation et d'atténuer les changements de domaine. L'augmentation au moment du test (TTA) est déployée au moment de l'inférence pour renforcer la robustesse. Il atteint une précision équilibrée de 0,892 sur le domaine de validation, soulignant son applicabilité clinique et son évolutivité inter-tâches.

Takeaways, Limitations

Takeaways:
Un pipeline efficace de détection et de classification de mitose combinant U-Net et Vision Transformer est présenté.
Utilisation efficace des ressources et performances de généralisation améliorées grâce à de puissantes techniques d'augmentation utilisant LoRA.
Une précision de validation élevée (0,892) suggère une applicabilité clinique.
Démontre l'évolutivité pour diverses tâches (détection et classification).
Limitations:
La validation par rapport aux données cliniques réelles peut faire défaut.
Il existe une possibilité de surajustement à certains ensembles de données.
Une évaluation des performances de généralisation pour différents types de mitoses atypiques est nécessaire.
Des recherches supplémentaires sont nécessaires sur les performances de généralisation du réglage fin à l’aide de LoRA.
👍