Fugu-MT 論文翻訳(概要): CoFi: A Fast Coarse-to-Fine Few-Shot Pipeline for Glomerular Basement Membrane Segmentation

論文の概要: CoFi: A Fast Coarse-to-Fine Few-Shot Pipeline for Glomerular Basement Membrane Segmentation

arxiv url: http://arxiv.org/abs/2508.11469v1
Date: Fri, 15 Aug 2025 13:34:24 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-18 14:51:23.966444
Title: CoFi: A Fast Coarse-to-Fine Few-Shot Pipeline for Glomerular Basement Membrane Segmentation
Title（参考訳）: CoFi:糸状基底膜セグメンテーション用高速粗孔パイプライン
Authors: Hongjin Fang, Daniel Reisenbüchler, Kenji Ikemura, Mert R. Sabuncu, Yihe Yang, Ruining Deng,
Abstract要約: EM画像のGBMデライン化のために設計された高速で効率的な数ショットセグメンテーションパイプラインであるCoFiを紹介する。 CoFiは、Dice係数が74.54%、推論速度が1.9 FPSの例外的なGBMセグメンテーション性能を達成する。パイプラインの速度とアノテーションは研究に適しており、腎病理学における臨床応用に強い可能性を秘めている。
参考スコア（独自算出の注目度）: 6.053555523487327
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Accurate segmentation of the glomerular basement membrane (GBM) in electron microscopy (EM) images is fundamental for quantifying membrane thickness and supporting the diagnosis of various kidney diseases. While supervised deep learning approaches achieve high segmentation accuracy, their reliance on extensive pixel-level annotation renders them impractical for clinical workflows. Few-shot learning can reduce this annotation burden but often struggles to capture the fine structural details necessary for GBM analysis. In this study, we introduce CoFi, a fast and efficient coarse-to-fine few-shot segmentation pipeline designed for GBM delineation in EM images. CoFi first trains a lightweight neural network using only three annotated images to produce an initial coarse segmentation mask. This mask is then automatically processed to generate high-quality point prompts with morphology-aware pruning, which are subsequently used to guide SAM in refining the segmentation. The proposed method achieved exceptional GBM segmentation performance, with a Dice coefficient of 74.54% and an inference speed of 1.9 FPS. We demonstrate that CoFi not only alleviates the annotation and computational burdens associated with conventional methods, but also achieves accurate and reliable segmentation results. The pipeline's speed and annotation efficiency make it well-suited for research and hold strong potential for clinical applications in renal pathology. The pipeline is publicly available at: https://github.com/ddrrnn123/CoFi.
Abstract（参考訳）: 電子顕微鏡(EM)画像における糸球体基底膜(GBM)の正確なセグメンテーションは,膜厚の定量化と各種腎疾患の診断支援に不可欠である。教師付き深層学習アプローチは高いセグメンテーション精度を達成するが、ピクセルレベルのアノテーションに依存しているため、臨床ワークフローでは実用的ではない。このアノテーションの負担を軽減することは少ないが、GBM分析に必要な微細な構造的詳細を捉えるのに苦労することが多い。本研究では,GBMデライン化のための高速かつ高効率な数ショットセグメンテーションパイプラインであるCoFiを紹介する。 CoFiはまず、3つの注釈付き画像を使用して軽量ニューラルネットワークをトレーニングし、初期粗いセグメンテーションマスクを生成する。このマスクは自動的に処理され、モルフォロジーを意識したプルーニングで高品質な点プロンプトを生成する。提案手法は,Dice係数が74.54%,推論速度が1.9FPSの優れたGBMセグメンテーション性能を実現した。我々は,CoFiが従来の手法に係わるアノテーションや計算負担を軽減するだけでなく,正確かつ信頼性の高いセグメンテーション結果も達成できることを実証した。パイプラインの速度とアノテーションの効率は研究に適しており、腎病理学における臨床応用に強い可能性を秘めている。パイプラインは、https://github.com/ddrrnn123/CoFiで公開されている。

関連論文リスト

PathSegDiff: Pathology Segmentation using Diffusion model representations [63.20694440934692]
そこで我々は,Latent Diffusion Models (LDMs) を事前学習した特徴抽出器として活用する,病理組織像分割の新しい手法であるPathSegDiffを提案する。本手法は,H&E染色組織像から多彩な意味情報を抽出するために,自己教師型エンコーダによって誘導される病理特異的LCMを用いる。本実験は,BCSSおよびGlaSデータセットにおける従来の手法よりも大幅に改善されたことを示す。
論文参考訳（メタデータ） (2025-04-09T14:58:21Z)
LMBiS-Net: A Lightweight Multipath Bidirectional Skip Connection based CNN for Retinal Blood Vessel Segmentation [0.0]
ブラディングアイの病気は、しばしば変化した網膜形態と相関し、眼底画像の網膜構造をセグメント化することによって臨床的に識別できる。深層学習は、医用画像のセグメンテーションにおいて有望であるが、反復的な畳み込みとプール操作への依存は、エッジ情報の表現を妨げる可能性がある。 LMBiS-Net と呼ばれる軽量な画素レベルのCNNを網膜血管のセグメンテーションのために提案する。
論文参考訳（メタデータ） (2023-09-10T09:03:53Z)
Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
論文参考訳（メタデータ） (2023-01-12T08:19:46Z)
Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文参考訳（メタデータ） (2022-12-01T07:32:56Z)
Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文参考訳（メタデータ） (2022-05-08T15:29:54Z)
Weakly-supervised Learning For Catheter Segmentation in 3D Frustum Ultrasound [74.22397862400177]
超音波を用いた新しいカテーテルセグメンテーション法を提案する。提案手法は,1ボリュームあたり0.25秒の効率で最先端の性能を実現した。
論文参考訳（メタデータ） (2020-10-19T13:56:22Z)
Meta Corrupted Pixels Mining for Medical Image Segmentation [30.140008860735062]
医用画像のセグメンテーションでは、正確なピクセルレベルのアノテーションを取得するのは非常に困難で費用がかかる。本稿では,メタマスクネットワークに基づく新しいMeta Corrupted Pixels Mining (MCPM)法を提案する。本手法は,分割ネットワーク学習における各画素の重要性を評価するために,重み付けマップを自動的に推定することを目的としている。
論文参考訳（メタデータ） (2020-07-07T15:12:20Z)
Deep Q-Network-Driven Catheter Segmentation in 3D US by Hybrid Constrained Semi-Supervised Learning and Dual-UNet [74.22397862400177]
本稿では,教師付き学習手法よりも少ないアノテーションを要求できる新しいカテーテルセグメンテーション手法を提案する。提案手法では,Voxelレベルのアノテーションを避けるために,深層Q学習を事前局所化ステップとみなす。検出されたカテーテルでは、パッチベースのDual-UNetを使用してカテーテルを3Dボリュームデータに分割する。
論文参考訳（メタデータ） (2020-06-25T21:10:04Z)
A Spatially Constrained Deep Convolutional Neural Network for Nerve Fiber Segmentation in Corneal Confocal Microscopic Images using Inaccurate Annotations [10.761046991755311]
本研究では,スムーズかつロバストな画像分割を実現するために,空間拘束型深部畳み込みニューラルネットワーク(DCNN)を提案する。提案手法は神経線維分節に対する角膜共焦点顕微鏡(CCM)画像に基づいて評価された。
論文参考訳（メタデータ） (2020-04-20T16:56:13Z)
Capsules for Biomedical Image Segmentation [4.239450660945214]
我々は,SegCapsと呼ばれるディープエンコーダ・デコーダスタイルのネットワークを構築するために,デコンボリューショナルカプセルの概念を提案する。提案された畳み込みデコンボリューションカプセルネットワークであるSegCapsは、一般的なセグメンテーションネットワークのパラメータの一部を使用しながら、最先端の結果を示す。
論文参考訳（メタデータ） (2020-04-09T03:01:31Z)

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。