概要: 弱教師付き物体局在（WSOL）モデルは、画像クラス監視のみを用いて、組織病理画像における共同分類とROI定位を実現します。ターゲットドメインにデプロイされた場合、分布シフトは性能低下の主な原因のままであり、特に染色プロトコルやスキャナー特性が異なる新しい臓器や機関で適用される場合に顕著です。より強いクロスドメインのシフトの下では、WSOLの予測が支配的なクラスへ偏り、ターゲットドメインで極めて偏った疑似ラベル分布を生み出すことがあります。ソースフリー（無監督）ドメイン適応（SFDA）手法は、ドメインシフトに対処するために一般的に用いられます。
しかし、それらは自己訓練に依存するため、初期のバイアスが訓練の反復を通じて強化され、分類と定位のタスクの両方を劣化させます。
本論文では、この予測バイアスの増幅を、組織病理におけるWSOLモデルのSFDAの主要な障害と特定します。
本論文は、機械的忘却に着想を得た手法 \sfdadep を紹介し、SFDAを予測バイアスを特定し是正する反復プロセスとして定式化します。
それは定期的に過度に予測されたクラスからターゲット画像を識別し、不確実（高エントロピー）の画像に対して予測信頼度を選択的に低下させ、確信のある予測を保持します。
このプロセスは、決定境界のドリフトと支配的クラスへのバイアスを低減します。
分布シフト下で識別性の高い定位特徴をさらに回復させる、ピクセルレベルの分類器を共同で最適化します。
臓器間およびセンター間の組織病理ベンチマーク（glas、CAMELYON-16、CAMELYON-17）で複数のWSOLモデルを用いた広範な実験は、SFDA-DePが最先端のSFDAベースラインよりも分類と定位を一貫して改善することを示しています。
{\small コード: \href{https://anonymous.4open.science/r/SFDA-DeP-1797/}{anonymous.4open.science/r/SFDA-DeP-1797/}}
予測のバイアス除去による病理組織学における弱教師付き局在の適応
arXiv cs.CV / 2026/3/16
💬 オピニオンIdeas & Deep AnalysisModels & Research
要点
- 病理組織学における弱教師付き局在のためのソースフリーのドメイン適応は、ドメイン間シフトの下で支配的クラスへ偏る偏りを生じさせ、分類と局在の性能の両方を損なう可能性がある。
- SFDA-DeP は、機械的忘却に触発された反復的バイアス補正法で、過剰に予測された画像に対して不確実な（高エントロピー）予測の重みを定期的に低下させつつ、確信度の高い予測は保持する。
- 分布がシフトする際に識別的な局在特徴の回復を助けるため、ピクセルレベルの分類器を共同で最適化して組み込んでいる。
- 臓器間およびセンター間の病理組織学ベンチマーク（glas、CAMELYON-16、CAMELYON-17）での実験により、SFDA-DeP が最先端の SFDA ベースラインを一貫して上回ることを示し、コードも公開されている。
