論文の概要: Semi-Unsupervised Microscopy Segmentation with Fuzzy Logic and Spatial Statistics for Cross-Domain Analysis Using a GUI

• arxiv url: http://arxiv.org/abs/2508.15979v2
• Date: Mon, 13 Oct 2025 20:17:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 19:02:31.984736
• Title: Semi-Unsupervised Microscopy Segmentation with Fuzzy Logic and Spatial Statistics for Cross-Domain Analysis Using a GUI
• Title（参考訳）: GUIを用いたクロスドメイン解析のためのファジィ論理と空間統計を用いた半教師なし顕微鏡分割
• Authors: Surajit Das, Pavel Zun,
• Abstract要約: 本研究では,画像のモダリティと画像タイプにまたがる1時間キャリブレーション支援の非教師なしフレームワークを導入することにより,低コストで軽量なアノテーションのないセグメンテーション手法を提案する。 このフレームワークは,局所平均からの空間標準偏差による背景決定を行う。不確実な画素はファジィ論理,累積2乗シフトの結節強度,統計的特徴,および余分な偏差校正によって解決される。
• 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 of unstained live cells is challenging due to low contrast, dynamic morphology, uneven illumination, and lack of labels. Deep learning achieved SOTA performance on stained, high-contrast images but needs large labeled datasets, expensive hardware, and fails under uneven illumination. This study presents a low-cost, lightweight, annotation-free segmentation method by introducing one-time calibration-assisted unsupervised framework adaptable across imaging modalities and image type. The framework determines background via spatial standard deviation from the local mean. Uncertain pixels are resolved using fuzzy logic, cumulative squared shift of nodal intensity, statistical features, followed by post-segmentation denoising calibration which is saved as a profile for reuse until noise pattern or object type substantially change. The program runs as a script or graphical interface for non-programmers. The method was rigorously evaluated using \textit{IoU}, \textit{F1-score}, and other metrics, with statistical significance confirmed via Wilcoxon signed-rank tests. On unstained brightfield myoblast (C2C12) images, it outperformed \textit{Cellpose 3.0} and \textit{StarDist}, improving IoU by up to 48\% (average IoU = 0.43, F1 = 0.60). In phase-contrast microscopy, it achieved a mean IoU of 0.69 and an F1-score of 0.81 on the \textit{LIVECell} dataset ($n = 3178$), with substantial expert agreement ($\kappa > 0.75$) confirming cross-modality robustness. Successful segmentation of laser-affected polymer surfaces further confirmed cross-domain robustness. By introducing the \textit{Homogeneous Image Plane} concept, this work provides a new theoretical foundation for training-free, annotation-free segmentation. The framework operates efficiently on CPU, avoids cell staining, and is practical for live-cell imaging and biomedical applications.
• Abstract（参考訳）: 低コントラスト、ダイナミックな形態、不均一な照明、ラベルの欠如などにより、非安定な生きた細胞のブライトフィールド顕微鏡は困難である。 ディープラーニングは、染色された高コントラスト画像上でSOTAのパフォーマンスを達成したが、大きなラベル付きデータセット、高価なハードウェアを必要とし、均一な照明の下で失敗する。 本研究では,画像のモダリティや画像タイプに適応可能なワンタイム校正支援型教師なしフレームワークを導入することで,低コストで軽量なアノテーションなしセグメンテーション手法を提案する。 フレームワークは、局所平均から空間標準偏差を介して背景を決定する。 不確実な画素はファジィ論理、累積2乗シフトのノイズ強度、統計的特徴、続いてノイズパターンやオブジェクトタイプが大幅に変化するまで再利用のためのプロファイルとして保存される分別校正によって解決される。 このプログラムは、非プログラマのためのスクリプトまたはグラフィカルインターフェースとして動作する。 この手法は, ウィルコクソンの署名ランク試験により, 統計的に有意な評価が得られた。 不安定な明野筋芽細胞 (C2C12) 画像では、textit{Cellpose 3.0} と \textit{StarDist} を上回り、IoUを最大48\%改善した(平均IoU = 0.43, F1 = 0.60)。 位相コントラスト顕微鏡では、平均IoUは0.69で、F1スコアは0.81でtextit{LIVECell}データセット(n = 3178$)を達成し、相当な専門家合意(\kappa > 0.75$)により、相互モダリティの堅牢性が確認された。 レーザー照射による高分子表面のセグメンテーションが成功し、さらにクロスドメインロバスト性が確認された。 textit{homogeneous Image Plane} の概念を導入することで、この研究はトレーニングなし、アノテーションなしのセグメンテーションのための新しい理論的基盤を提供する。 このフレームワークはCPU上で効率的に動作し、細胞染色を回避し、ライブセルイメージングやバイオメディカル応用に実用的である。

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。