論文の概要: GUI Based Fuzzy Logic and Spatial Statistics for Unsupervised Microscopy Segmentation

• arxiv url: http://arxiv.org/abs/2508.15979v1
• Date: Thu, 21 Aug 2025 21:44:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-25 16:42:36.195552
• Title: GUI Based Fuzzy Logic and Spatial Statistics for Unsupervised Microscopy Segmentation
• Title（参考訳）: 教師なし顕微鏡分割のためのGUIに基づくファジィ論理と空間統計
• Authors: Surajit Das, Pavel Zun,
• Abstract要約: 局所平均からの空間標準偏差(SSDLM)、ファジィ論理、調整されたヴァリグラム、モランのI、累積2乗強度シフト(CSSNI)を組み合わせた最初の教師なしセグメンテーションフレームワークを提案する。 ディープラーニングモデルとは異なり、私たちのアプローチではアノテーションや再トレーニングは必要ありません。 本手法は,IoUが最大48%増加し,統計的に優位性を示すことにより,セグメンテーション性能を著しく向上させる。
• 参考スコア（独自算出の注目度）: 3.5092739016434567
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Brightfield microscopy imaging of unstained live cells remains a persistent challenge due to low contrast, temporal changes in specimen phenotypes, irregular illumination, and the absence of training labels. While deep learning (DL) methods (e.g., Cellpose 3.0) achieve state-of-the-art (SOTA) performance, they require extensive labeled data and heavy computational resources, and they often fail under uneven illumination. We present the first unsupervised segmentation framework combining spatial standard deviation from local mean (SSDLM), fuzzy logic, adjusted variograms, Moran's I, and cumulative squared shift of nodal intensity (CSSNI) to address these limitations. Unlike deep learning models, our approach requires no annotations or retraining and operates through a user-friendly GUI tailored for non-programming users. The robustness and generality were validated on three datasets, including cross-domain data. We benchmark our method against 2023--2024 SOTA models, including Cellpose 3.0 and StarDist, using a dataset of unstained myoblast images. Our method achieves a significant improvement in segmentation performance, with an IoU increase of up to 48\% and statistically validated superiority ($p < 0.01$, Wilcoxon signed-rank test). Expert evaluation from two biologists further supports the segmentation quality (Cohen's $\kappa > 0.75$). The proposed algorithm is lightweight, interpretable, and computationally efficient, offering a practical and effective alternative for cell segmentation in label-free microscopy. The code, the dataset, and the results are available for reproducibility*.
• Abstract（参考訳）: 低コントラスト、検体表現型の変化、不規則な照明、トレーニングラベルの欠如などにより、無宿の生きた細胞のブライトフィールド顕微鏡画像撮影はいまだに永続的な課題である。 ディープラーニング(DL)手法(例えば、Cellpose 3.0)は最先端(SOTA)のパフォーマンスを達成するが、ラベル付きデータと重い計算資源が必要であり、不均一な照明の下で失敗することが多い。 本稿では,局所平均値(SSDLM)からの空間標準偏差,ファジィ論理,ヴァリグラムの調整,モランIの累積2乗シフト(CSSNI)を併用した最初の教師なしセグメンテーションフレームワークを提案する。 ディープラーニングモデルとは異なり、私たちのアプローチではアノテーションや再トレーニングは必要ありません。 堅牢性と汎用性は、ドメイン間データを含む3つのデータセットで検証された。 筋芽細胞画像のデータセットを用いて,Cellpose 3.0やStarDistを含む2023--2024 SOTAモデルに対して,本手法をベンチマークした。 提案手法は,IoUが最大48 %増加し,統計的に優位性(p < 0.01$, Wilcoxon sign-rank test)が得られたことにより,セグメンテーション性能が著しく向上する。 2人の生物学者による専門家による評価は、セグメンテーションの品質をさらに支持している(コーエンの$\kappa > 0.75$)。 提案アルゴリズムは軽量で、解釈可能で、計算効率が良く、ラベルなし顕微鏡における細胞セグメンテーションの実用的で効果的な代替手段を提供する。 コード、データセット、結果は再現性*で利用可能です。

関連論文リスト

• Biologically-inspired Semi-supervised Semantic Segmentation for Biomedical Imaging [7.915123555266876]
  本稿では,バイオインスパイアされた半教師付き学習手法を提案する。 バイオメディカルデータセットを用いて実験を行い,本手法の評価を行った。 その結果,提案手法はラベルの可用性の異なるレベルにおいてSOTA手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-12-04T10:25:53Z)
• An efficient framework based on large foundation model for cervical cytopathology whole slide image screening [13.744580492120749]
  本稿では,教師なし・弱教師付き学習によるWSIレベルラベルのみを用いた頚部細胞病理学WSI分類のための効率的なフレームワークを提案する。 CSDおよびFNAC 2019データセットで実施された実験は、提案手法が様々なMIL手法の性能を高め、最先端(SOTA)性能を達成することを示した。
  論文  参考訳（メタデータ） (2024-07-16T08:21:54Z)
• Semi-Supervised End-To-End Contrastive Learning For Time Series Classification [9.46287383389573]
  時系列分類は、金融、医療、センサーデータ分析など、さまざまな分野において重要な課題である。 SLOTS(Semi-supervised Learning fOr Time clasSification)と呼ばれるエンドツーエンドモデルを提案する。
  論文  参考訳（メタデータ） (2023-10-13T04:22:21Z)
• All Points Matter: Entropy-Regularized Distribution Alignment for Weakly-supervised 3D Segmentation [67.30502812804271]
  擬似ラベルは、弱い教師付き3Dセグメンテーションタスクに広く使われており、学習に使えるのはスパース・グラウンド・トラス・ラベルのみである。 本稿では,生成した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ための新しい学習戦略を提案する。
  論文  参考訳（メタデータ） (2023-05-25T08:19:31Z)
• Augment and Criticize: Exploring Informative Samples for Semi-Supervised Monocular 3D Object Detection [64.65563422852568]
  我々は、一般的な半教師付きフレームワークを用いて、難解な単分子3次元物体検出問題を改善する。 我々は、ラベルのないデータから豊富な情報的サンプルを探索する、新しい、シンプルで効果的なAugment and Criticize'フレームワークを紹介します。 3DSeMo_DLEと3DSeMo_FLEXと呼ばれる2つの新しい検出器は、KITTIのAP_3D/BEV(Easy)を3.5%以上改善した。
  論文  参考訳（メタデータ） (2023-03-20T16:28:15Z)
• Stacking Ensemble Learning in Deep Domain Adaptation for Ophthalmic Image Classification [61.656149405657246]
  ドメイン適応は、十分なラベルデータを取得することが困難な画像分類タスクに有効である。 本稿では,3つのドメイン適応手法を拡張することで,アンサンブル学習を積み重ねるための新しい手法SELDAを提案する。 Age-Related Eye Disease Study (AREDS)ベンチマーク眼科データセットを用いた実験結果から,提案モデルの有効性が示された。
  論文  参考訳（メタデータ） (2022-09-27T14:19:00Z)
• Open-Set Semi-Supervised Learning for 3D Point Cloud Understanding [62.17020485045456]
  半教師付き学習(SSL)では、ラベル付きデータと同じ分布からラベル付きデータが引き出されることが一般的である。 サンプル重み付けによりラベルなしデータを選択的に活用することを提案する。
  論文  参考訳（メタデータ） (2022-05-02T16:09:17Z)
• ATSO: Asynchronous Teacher-Student Optimization for Semi-Supervised Medical Image Segmentation [99.90263375737362]
  教師-学生最適化の非同期版であるATSOを提案する。 ATSOはラベルのないデータを2つのサブセットに分割し、モデルの微調整に1つのサブセットを交互に使用し、他のサブセットのラベルを更新する。 医用画像のセグメンテーションデータセットを2つ評価し,様々な半教師付き環境において優れた性能を示す。
  論文  参考訳（メタデータ） (2020-06-24T04:05:12Z)

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。