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.

Modelos básicos del Conjunto de Patología para MIDOG 2025, Tema 2: Clasificación de la mitosis atípica

Created by
  • Haebom

Autor

Mieko Ochi y Bae Yuan

Describir

Este artículo clasifica las figuras mitóticas en tipos típicos y atípicos. El número de figuras mitóticas atípicas se correlaciona fuertemente con la agresividad tumoral. Por lo tanto, una clasificación precisa es esencial para predecir el pronóstico del paciente y asignar recursos, pero sigue siendo una tarea desafiante incluso para patólogos expertos. Este estudio utilizó modelos basados ​​en patología (PFM) preentrenados en un conjunto de datos de histopatología a gran escala para realizar un ajuste fino eficiente de los parámetros mediante adaptación de baja dimensión. Además, integramos ConvNeXt V2, una arquitectura de red neuronal convolucional de vanguardia, para complementar los PFM. Durante el entrenamiento, utilizamos la transformada de ojo de pez para resaltar las mitosis y aplicamos la adaptación del dominio de Fourier utilizando imágenes objetivo de ImageNet. Finalmente, combinamos múltiples PFM para integrar información morfológica complementaria, logrando una precisión competitivamente equilibrada en un conjunto de datos de evaluación preliminar.

Takeaways, Limitations

•
Takeaways:
◦
Combinación de PFM previamente entrenados con una arquitectura CNN de última generación (ConvNeXt V2) en un gran conjunto de datos para mejorar el rendimiento de la clasificación mitótica.
◦
Ajuste fino de parámetros y mejora del rendimiento mediante técnicas como la adaptación de baja dimensión y la adaptación del dominio de Fourier.
◦
Integrar información morfológica diversa y mejorar el rendimiento mediante técnicas de conjunto.
◦
Obtener resultados competitivos en conjuntos de datos de evaluación preliminar.
•
Limitations:
◦
Sólo se presentan los resultados del conjunto de datos de la fase de evaluación preliminar, por lo que se necesita una verificación adicional del rendimiento de generalización.
◦
Falta de descripción detallada del tamaño y la composición del conjunto de datos utilizado.
◦
Falta de análisis comparativo con otros estudios similares.
◦
Se necesita más investigación para su aplicación clínica.
👍
Made with Slashpage