Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

Ensemble of Pathology Foundation Models for MIDOG 2025 Track 2: Atypical Mitosis Classification

Created by
  • Haebom

作者

ミエコオチ、ベイユアン

概要

本論文は有糸分裂相を典型的および非定型型に分類し、非定型有糸分裂相の数は腫瘍の攻撃性と強い相関関係を有する。したがって、正確な分類は、患者の予後予測および資源配分に不可欠であるか、専門の病理学者にとっても困難な課題です。この研究では、大規模な組織病理学データセットで事前訓練された病理学ベースのモデル（PFM）を活用して、低次元適応によるパラメータの効率的な微調整を行いました。さらに、最先端の合成積ニューラルネットワーク構造であるConvNeXt V2をPFMを補完するために統合しました。トレーニング中は、有糸分裂を強調するためにフィッシュアイ変換を使用し、ImageNetターゲット画像を使用してフーリエドメイン適応を適用しました。最後に、複数のPFMをアンサンブルして相補的な形態学的洞察を統合し、予備評価フェーズデータセットで競争力のあるバランス精度を達成しました。

Takeaways、Limitations

•
Takeaways：
◦
大規模なデータセットで事前訓練されたPFMと最先端のCNNアーキテクチャ（ConvNeXt V2）を組み合わせることで、有糸分裂分類性能を向上。
◦
低次元適応およびフーリエドメイン適応などの技術によるパラメータ効率的な微調整と性能改善。
◦
アンサンブル技術による多様な形態学的情報の統合と性能の向上
◦
予備評価フェーズデータセットで競争力のある結果を達成する。
•
Limitations:
◦
予備評価フェーズデータセットの結果のみが提示され、一般化パフォーマンスの追加検証が必要です。
◦
使用されるデータセットのサイズと構成の詳細な説明が不足しています。
◦
他の類似研究との比較分析が不足。
◦
臨床適用のための追加の研究が必要。
👍
Made with Slashpage