論文の概要: Maximising Kidney Glomeruli Segmentation using Minimal Labels via Self-Supervision

• arxiv url: http://arxiv.org/abs/2412.15389v2
• Date: Fri, 29 Aug 2025 12:31:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-01 13:41:09.881956
• Title: Maximising Kidney Glomeruli Segmentation using Minimal Labels via Self-Supervision
• Title（参考訳）: 自己スーパービジョンによる最小ラベルを用いたキドニー糸球体セグメンテーションの最大化
• Authors: Zeeshan Nisar, Thomas Lampert,
• Abstract要約: UNet, UDAGAN, HR-CS-CO$-これらのセグメンテーション手法の性能は95%少ないラベルでも維持できる。 自己教師付き事前トレーニングと5%ラベルの使用では、パフォーマンス低下は最小限である。 これらの結果は、トレーニング分布を超えて、公開ベンチマークデータセットに一般化することが示されている。
• 参考スコア（独自算出の注目度）: 0.20625936401496234
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Histopathology, the microscopic examination of tissue samples, is essential for disease diagnosis and prognosis. Accurate segmentation and identification of key regions in histopathology images are crucial for developing automated solutions. However, state-of-art deep learning segmentation methods like UNet require extensive labels, which is both costly and time-consuming, particularly when dealing with multiple stainings. To mitigate this, various multi-stain segmentation methods such as UDA-GAN have been developed, which reduce the need for labels by requiring only one (source) stain to be labelled. Nonetheless, obtaining source stain labels can still be challenging, and segmentation models fail when they are unavailable. This article shows that through self-supervised pre-training$-$including SimCLR, BYOL, and a novel approach, HR-CS-CO$-$the performance of these segmentation methods (UNet, and UDAGAN) can be retained even with 95% fewer labels. Notably, with self-supervised pre-training and using only 5% labels, the performance drops are minimal: 5.9% for UNet and 6.2% for UDAGAN, compared to their respective fully supervised counterparts (without pre-training, using 100% labels). Furthermore, these findings are shown to generalise beyond their training distribution to public benchmark datasets. Im-
• Abstract（参考訳）: 病理組織学は、組織サンプルの顕微鏡検査であり、疾患の診断と予後に不可欠である。 病理組織像における重要な領域の正確なセグメンテーションと同定は,自動解法の開発に不可欠である。 しかし、UNetのような最先端のディープラーニングセグメンテーション手法では、特に複数の染色を扱う場合、コストも時間もかかる広範なラベルが必要である。 これを緩和するために、UDA-GANのような様々なマルチステインセグメンテーション手法が開発され、1つの(ソース)染色だけをラベル付けすることでラベルの必要を減らした。 それでも、ソースのステンドラベルを取得することは依然として困難であり、セグメンテーションモデルは利用できないときに失敗する。 本稿では,SimCLR,BYOLを含む自己指導型事前学習と新たなアプローチを通じて,これらのセグメンテーション手法(UNet,UDAGAN)の性能を95%少ないラベルでも維持可能であることを示す。 特に、自己教師付き事前トレーニングと5%ラベルの使用では、UNetが5.9%、UDAGANが6.2%という最小限のパフォーマンス低下は、それぞれ完全に教師付きである(100%ラベルを使用しない)。 さらに、これらの結果は、トレーニング分布を超えて、公開ベンチマークデータセットに一般化されることが示されている。 Im-

関連論文リスト

• Promptable cancer segmentation using minimal expert-curated data [5.097733221827974]
  医療画像上の癌の自動分離は、標的とする診断と治療の処置を支援することができる。 その採用は、データセットのトレーニングやサーバ間の可変性に必要な専門家アノテーションの高コストによって制限されている。 そこで本研究では,24個の完全分割画像しか必要とせず,弱ラベル画像8枚を補足した,高速セグメンテーションのための新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-05-23T13:56:40Z)
• Striving for Simplicity: Simple Yet Effective Prior-Aware Pseudo-Labeling for Semi-Supervised Ultrasound Image Segmentation [40.08784389029472]
  医用超音波画像はユビキタスだが、手動による解析はペースを維持するのに苦労している。 ラベル付きデータと制限付きデータの両方を活用する半教師付き学習は、有望なアプローチである。 そこで本研究では,正則化に先立って,逆学習した形状の簡単な擬似ラベル方式を提案する。
  論文  参考訳（メタデータ） (2025-03-18T07:44:09Z)
• Labeled-to-Unlabeled Distribution Alignment for Partially-Supervised Multi-Organ Medical Image Segmentation [30.953837550398884]
  部分教師付き多臓器画像セグメンテーションは統合意味セグメンテーションモデルの構築を目的としている。 本稿では,特徴分布を調整し,識別能力を向上するラベル付き非ラベル分布アライメントフレームワークを提案する。 提案手法は,最先端部分教師方式よりもかなりのマージンで性能を向上する。
  論文  参考訳（メタデータ） (2024-09-05T03:55:37Z)
• Towards Modality-agnostic Label-efficient Segmentation with Entropy-Regularized Distribution Alignment [62.73503467108322]
  この話題は、3次元の点雲のセグメンテーションで広く研究されている。 近年まで、擬似ラベルは、限られた地道ラベルによる訓練を容易にするために広く用いられてきた。 既存の擬似ラベリングアプローチは、重複しないデータのノイズやバリエーションに悩まされる可能性がある。 本研究では,学習用擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭める学習戦略を提案する。
  論文  参考訳（メタデータ） (2024-08-29T13:31:15Z)
• Beyond Strong labels: Weakly-supervised Learning Based on Gaussian Pseudo Labels for The Segmentation of Ellipse-like Vascular Structures in Non-contrast CTs [4.765753560367118]
  本稿では,CTスキャンにおける血管構造に基づく深層学習のための弱教師付きフレームワークを提案する。 提案手法の有効性を1つのローカルデータセットと2つのパブリックデータセットで評価する。
  論文  参考訳（メタデータ） (2024-02-05T20:08:53Z)
• Unsupervised Universal Image Segmentation [59.0383635597103]
  本稿では,Unsupervised Universal Model (U2Seg) を提案する。 U2Segは、自己教師付きモデルを利用して、これらのセグメンテーションタスクの擬似意味ラベルを生成する。 次に、これらの擬似意味ラベル上でモデルを自己学習し、かなりの性能向上をもたらす。
  論文  参考訳（メタデータ） (2023-12-28T18:59:04Z)
• COSST: Multi-organ Segmentation with Partially Labeled Datasets Using Comprehensive Supervisions and Self-training [15.639976408273784]
  ディープラーニングモデルは、マルチ組織セグメンテーションにおいて顕著な成功を収めてきたが、典型的には、興味のあるすべての器官に注釈を付けた大規模なデータセットを必要とする。 利用可能な部分ラベル付きデータセットの統一モデルを学習して、そのシナジスティックなポテンシャルを活用する方法については、調査が不可欠である。 COSSTと呼ばれる新しい2段階のフレームワークを提案し、このフレームワークは包括的監視信号と自己学習を効果的に効率的に統合する。
  論文  参考訳（メタデータ） (2023-04-27T08:55:34Z)
• LESS: Label-Efficient Semantic Segmentation for LiDAR Point Clouds [62.49198183539889]
  我々は,LiDAR点雲を用いた屋外シーンのためのラベル効率のよいセマンティックセマンティックセマンティクスパイプラインを提案する。 本手法は,半弱教師付き学習を用いて,効率的なラベリング手法を設計する。 提案手法は,100%ラベル付き完全教師付き手法と比較して,さらに競争力が高い。
  論文  参考訳（メタデータ） (2022-10-14T19:13:36Z)
• All-Around Real Label Supervision: Cyclic Prototype Consistency Learning for Semi-supervised Medical Image Segmentation [41.157552535752224]
  半教師付き学習は、費用がかかる専門家によるアノテーションの取得の重い負担を軽減するため、医用画像のセグメンテーションが大幅に進歩している。 本稿では,ラベル付き-ラベル付き(L2U)フォワードプロセスとラベル付き-ラベル付き(U2L)バックワードプロセスによって構築された,新しいサイクリックプロトタイプ一貫性学習(CPCL)フレームワークを提案する。 我々のフレームワークは、過去のtextit"教師なし"一貫性を新しいtextit"教師なし"一貫性に変える。
  論文  参考訳（メタデータ） (2021-09-28T14:34:06Z)
• A Closer Look at Self-training for Zero-Label Semantic Segmentation [53.4488444382874]
  トレーニング中に見られないクラスをセグメント化できることは、ディープラーニングにおいて重要な技術的課題です。 事前のゼロラベルセマンティクスセグメンテーションは、ビジュアル・セマンティクスの埋め込みや生成モデルを学ぶことによってこのタスクにアプローチする。 本研究では,同一画像の異なる増分から生じる擬似ラベルの交点を取り出し,ノイズの多い擬似ラベルをフィルタリングする整合性正規化器を提案する。
  論文  参考訳（メタデータ） (2021-04-21T14:34:33Z)
• PseudoSeg: Designing Pseudo Labels for Semantic Segmentation [78.35515004654553]
  ラベルなしまたは弱いラベル付きデータを用いたトレーニングのための構造化された擬似ラベルを生成するための擬似ラベルの再設計を提案する。 提案手法の有効性を,低データと高データの両方において示す。
  論文  参考訳（メタデータ） (2020-10-19T17:59:30Z)
• 3D medical image segmentation with labeled and unlabeled data using autoencoders at the example of liver segmentation in CT images [58.720142291102135]
  本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。 コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
  論文  参考訳（メタデータ） (2020-03-17T20:20:43Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。