論文の概要: SelfAdapt: Unsupervised Domain Adaptation of Cell Segmentation Models

• arxiv url: http://arxiv.org/abs/2508.11411v1
• Date: Fri, 15 Aug 2025 11:31:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-18 14:51:23.935419
• Title: SelfAdapt: Unsupervised Domain Adaptation of Cell Segmentation Models
• Title（参考訳）: セルセグメンテーションモデルの非教師付きドメイン適応
• Authors: Fabian H. Reith, Jannik Franzen, Dinesh R. Palli, J. Lorenz Rumberger, Dagmar Kainmueller,
• Abstract要約: SelfAdaptは、ラベルを必要とせずに事前訓練された細胞セグメンテーションモデルの適応を可能にする方法である。 本手法をLiveCell と tissueNet のデータセット上で評価し,ベースラインの Cellpose よりも最大29.64% の AP0.5 の相対的な改善を実証した。
• 参考スコア（独自算出の注目度）: 1.8485970721272897
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep neural networks have become the go-to method for biomedical instance segmentation. Generalist models like Cellpose demonstrate state-of-the-art performance across diverse cellular data, though their effectiveness often degrades on domains that differ from their training data. While supervised fine-tuning can address this limitation, it requires annotated data that may not be readily available. We propose SelfAdapt, a method that enables the adaptation of pre-trained cell segmentation models without the need for labels. Our approach builds upon student-teacher augmentation consistency training, introducing L2-SP regularization and label-free stopping criteria. We evaluate our method on the LiveCell and TissueNet datasets, demonstrating relative improvements in AP0.5 of up to 29.64% over baseline Cellpose. Additionally, we show that our unsupervised adaptation can further improve models that were previously fine-tuned with supervision. We release SelfAdapt as an easy-to-use extension of the Cellpose framework. The code for our method is publicly available at https: //github.com/Kainmueller-Lab/self_adapt.
• Abstract（参考訳）: ディープニューラルネットワークは、バイオメディカルなインスタンスセグメンテーションのためのゴーツーメソッドとなっている。 Cellposeのようなジェネラリストモデルは、さまざまなセルデータにまたがって最先端のパフォーマンスを示すが、その効果はトレーニングデータと異なるドメインで劣化することが多い。 教師付き微調整はこの制限に対処できるが、簡単には利用できない注釈付きデータが必要である。 本稿では,ラベルを必要とせずに事前学習したセルセグメンテーションモデルの適応を可能にする手法であるSelfAdaptを提案する。 提案手法は,L2-SP正則化とラベルなし停止基準を導入し,生徒と教師の整合性向上を図ったものである。 本手法をLiveCell と tissueNet のデータセット上で評価し,ベースラインの Cellpose よりも最大29.64% の AP0.5 の相対的な改善を実証した。 さらに、教師なし適応により、これまで監督に微調整されていたモデルをさらに改善できることが示される。 Cellposeフレームワークの使いやすい拡張として、SelfAdaptをリリースします。 私たちのメソッドのコードはhttps: //github.com/Kainmueller-Lab/self_adaptで公開されています。

関連論文リスト

• CellViT++: Energy-Efficient and Adaptive Cell Segmentation and Classification Using Foundation Models [1.7674154313605157]
  $textCellViTscriptstyle ++$は、デジタル病理学における一般化された細胞セグメンテーションのためのフレームワークである。 $textCellViTscriptstyle ++$は、ユーザフレンドリで、ビジュアライゼーションとアノテーションのためのWebベースのインターフェースを備えたオープンソースのフレームワークである。
  論文  参考訳（メタデータ） (2025-01-09T14:26:50Z)
• SelfReplay: Adapting Self-Supervised Sensory Models via Adaptive Meta-Task Replay [22.59061034805928]
  自己教師付き学習は、事前学習モデルに大量のラベルのないデータを活用する方法として登場した。 自己教師型モデルがヘテロジニアス領域で微調整された場合に発生する性能劣化について検討する。 自己教師付きモデルをパーソナライズするためのドメイン適応フレームワークであるSelfReplayを提案する。
  論文  参考訳（メタデータ） (2024-03-29T08:48:07Z)
• Few-shot adaptation for morphology-independent cell instance segmentation [3.6064695344878093]
  我々は、非常に困難なバクテリアデータセットに適応するために、セルインスタンスセグメンテーションモデルを適用する方法を示す。 本研究は, 細菌データセットへの適応により, 精度が著しく向上したことを示す。
  論文  参考訳（メタデータ） (2024-02-27T02:54:22Z)
• Exploring Unsupervised Cell Recognition with Prior Self-activation Maps [5.746092401615179]
  トレーニング対象として擬似マスクを生成するために, 事前自己活性化マップ(PSM)が提案されている。 MoNuSeg(細胞セグメンテーション)とBCData(マルチクラス細胞検出)の2つの組織学的データセットを用いて本手法の評価を行った。
  論文  参考訳（メタデータ） (2023-08-22T02:54:42Z)
• Point-supervised Single-cell Segmentation via Collaborative Knowledge Sharing [0.0]
  本稿では,シングルセルセグメンテーションモデルの弱教師付きトレーニング設定について述べる。 さらに興味深いのは、コラボレーティブ・ナレッジ・シェアリング(英語版)と呼ばれる自己学習手法である。 この戦略は、主モデルと非常に軽量な協調モデルの間で知識を共有することで自己学習を実現する。
  論文  参考訳（メタデータ） (2023-04-20T23:22:41Z)
• Self-Distillation for Further Pre-training of Transformers [83.84227016847096]
  我々は、さらなる事前学習段階の正則化として自己蒸留を提案する。 画像およびテキスト分類タスクのための様々なベンチマークデータセットにおける自己蒸留の有効性を実証的に検証する。
  論文  参考訳（メタデータ） (2022-09-30T02:25:12Z)
• Seamless Iterative Semi-Supervised Correction of Imperfect Labels in Microscopy Images [57.42492501915773]
  生体内試験は、医療機器の毒性に対する動物実験の代替手段である。 人間の疲労は、深層学習を魅力的なものにするために、エラー作成に重要な役割を果たします。 我々は、不完全ラベルのシームレス反復半監督補正(SISSI)を提案する。 本手法は,物体検出に適応的な早期学習補正技術を提供する。
  論文  参考訳（メタデータ） (2022-08-05T18:52:20Z)
• CAFA: Class-Aware Feature Alignment for Test-Time Adaptation [50.26963784271912]
  テスト時間適応(TTA)は、テスト時にラベルのないデータにモデルを適応させることによって、この問題に対処することを目的としている。 本稿では,クラス認識特徴アライメント(CAFA, Class-Aware Feature Alignment)と呼ばれる単純な機能アライメント損失を提案する。
  論文  参考訳（メタデータ） (2022-06-01T03:02:07Z)
• One to Many: Adaptive Instrument Segmentation via Meta Learning and Dynamic Online Adaptation in Robotic Surgical Video [71.43912903508765]
  MDALは、ロボット支援手術における機器セグメンテーションのための動的オンライン適応学習スキームです。 ビデオ固有のメタ学習パラダイムを通じて、楽器の一般的な知識と高速適応能力を学ぶ。 2つのデータセットで他の最先端のメソッドよりも優れています。
  論文  参考訳（メタデータ） (2021-03-24T05:02:18Z)
• Split and Expand: An inference-time improvement for Weakly Supervised Cell Instance Segmentation [71.50526869670716]
  本研究では,分割マップのインスタンスへの変換を改善するために,2段階の後処理手順であるSplitとExpandを提案する。 Splitのステップでは,セルの集合をセグメント化マップから個々のセルインスタンスに分割し,セル中心の予測を導出する。 拡張ステップでは、細胞中心予測を用いて、小さな細胞が欠落していることが分かる。
  論文  参考訳（メタデータ） (2020-07-21T14:05:09Z)

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。