論文の概要: Semi-MoE: Mixture-of-Experts meets Semi-Supervised Histopathology Segmentation

• arxiv url: http://arxiv.org/abs/2509.13834v1
• Date: Wed, 17 Sep 2025 09:03:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-18 18:41:50.796013
• Title: Semi-MoE: Mixture-of-Experts meets Semi-Supervised Histopathology Segmentation
• Title（参考訳）: Semi-MoE: Mixture-of-Experts meets Semi-Supervised Histopathology Segmentation
• Authors: Nguyen Lan Vi Vu, Thanh-Huy Nguyen, Thien Nguyen, Daisuke Kihara, Tianyang Wang, Xingjian Li, Min Xu,
• Abstract要約: 半教師付き学習は、病理組織像分割のための広範囲なラベル付きデータの必要性を軽減するために用いられている。 既存の手法では、あいまいな腺の境界と形態的誤分類により、ノイズの多い擬似ラベルに苦しむ。 本稿では, 半教師型病理組織像分割のためのマルチタスク・ミックス・オブ・エクササイズ・フレームワークであるSemi-MOEを紹介する。
• 参考スコア（独自算出の注目度）: 13.530424405137417
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Semi-supervised learning has been employed to alleviate the need for extensive labeled data for histopathology image segmentation, but existing methods struggle with noisy pseudo-labels due to ambiguous gland boundaries and morphological misclassification. This paper introduces Semi-MOE, to the best of our knowledge, the first multi-task Mixture-of-Experts framework for semi-supervised histopathology image segmentation. Our approach leverages three specialized expert networks: A main segmentation expert, a signed distance field regression expert, and a boundary prediction expert, each dedicated to capturing distinct morphological features. Subsequently, the Multi-Gating Pseudo-labeling module dynamically aggregates expert features, enabling a robust fuse-and-refine pseudo-labeling mechanism. Furthermore, to eliminate manual tuning while dynamically balancing multiple learning objectives, we propose an Adaptive Multi-Objective Loss. Extensive experiments on GlaS and CRAG benchmarks show that our method outperforms state-of-the-art approaches in low-label settings, highlighting the potential of MoE-based architectures in advancing semi-supervised segmentation. Our code is available at https://github.com/vnlvi2k3/Semi-MoE.
• Abstract（参考訳）: 半教師付き学習は, 病理組織像の断片化のために, 広範囲なラベル付きデータの必要性を軽減するために用いられているが, 既存の手法では, あいまいな腺の境界や形態的誤分類のために, ノイズの多い擬似ラベルに悩まされている。 本稿では,半教師付き病理組織像分割のためのマルチタスク・ミックス・オブ・エクササイズ・フレームワークであるSemi-MOEを紹介する。 提案手法では, 主セグメント化の専門家, 符号付き距離場回帰の専門家, 境界予測専門家の3つの専門的ネットワークを利用する。 その後、Multi-Gating Pseudo-labelingモジュールはエキスパート機能を動的に集約し、堅牢なヒューズ&リファイン擬似ラベル機構を実現する。 さらに,複数の学習目標を動的にバランスさせながら手動チューニングを不要にするため,適応型多目的損失を提案する。 GlaS と CRAG ベンチマークの大規模な実験により,本手法は,半教師付きセグメンテーションの進展において,MoE ベースのアーキテクチャの可能性を強調しながら,低ラベル設定における最先端のアプローチよりも優れていることが示された。 私たちのコードはhttps://github.com/vnlvi2k3/Semi-MoE.comで利用可能です。

関連論文リスト

• Semi-Supervised Medical Image Segmentation via Dual Networks [1.904929457002693]
  本稿では,大規模な専門家ラベル付きデータセットへの依存を減らすために,革新的な半教師付き3次元医用画像分割法を提案する。 本稿では,コンテキスト情報を用いた既存手法の制約に対処するデュアルネットワークアーキテクチャを提案する。 臨床磁気共鳴画像実験により,我々のアプローチは最先端技術より優れていることが示された。
  論文  参考訳（メタデータ） (2025-05-23T09:59:26Z)
• Double-Stage Feature-Level Clustering-Based Mixture of Experts Framework [0.0]
  本稿では,DFCP-MoE(Mixture of Experts)フレームワークについて述べる。 入力特徴抽出、特徴レベルのクラスタリング、計算効率の良い擬似ラベル戦略で構成されている。 そこで本研究では,MoEモデルを用いたクラスタリング入力の訓練により,専門家の専門性を向上する条件付きエンドツーエンド共同訓練手法を提案する。
  論文  参考訳（メタデータ） (2025-03-12T16:13:50Z)
• PMT: Progressive Mean Teacher via Exploring Temporal Consistency for Semi-Supervised Medical Image Segmentation [51.509573838103854]
  医用画像セグメンテーションのための半教師付き学習フレームワークであるプログレッシブ平均教師(PMT)を提案する。 我々のPMTは、トレーニングプロセスにおいて、堅牢で多様な特徴を学習することで、高忠実な擬似ラベルを生成する。 CT と MRI の異なる2つのデータセットに対する実験結果から,本手法が最先端の医用画像分割法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-08T15:02:25Z)
• Auxiliary Tasks Enhanced Dual-affinity Learning for Weakly Supervised Semantic Segmentation [79.05949524349005]
  AuxSegNet+は、サリエンシマップから豊富な情報を探索する弱教師付き補助学習フレームワークである。 また,サリエンシとセグメンテーションの特徴マップから画素レベルの親和性を学習するためのクロスタスク親和性学習機構を提案する。
  論文  参考訳（メタデータ） (2024-03-02T10:03:21Z)
• Improving Semi-Supervised and Domain-Adaptive Semantic Segmentation with Self-Supervised Depth Estimation [94.16816278191477]
  本稿では,セミアダプティブなセマンティックセマンティックセマンティックセグメンテーションのためのフレームワークを提案する。 ラベルのない画像シーケンスでのみ訓練された自己教師付き単眼深度推定によって強化される。 提案したモデルをCityscapesデータセット上で検証する。
  論文  参考訳（メタデータ） (2021-08-28T01:33:38Z)
• Three Ways to Improve Semantic Segmentation with Self-Supervised Depth Estimation [90.87105131054419]
  ラベルなし画像列からの自己教師付き単眼深度推定により強化された半教師付きセマンティックセマンティックセマンティックセマンティクスのフレームワークを提案する。 提案されたモデルをCityscapesデータセット上で検証する。
  論文  参考訳（メタデータ） (2020-12-19T21:18:03Z)
• ClassMix: Segmentation-Based Data Augmentation for Semi-Supervised Learning [4.205692673448206]
  そこで本研究では,未ラベルのサンプルを混合して拡張を生成するClassMixと呼ばれる新しいデータ拡張機構を提案する。 本手法を2つの半教師付きセマンティックセマンティックセマンティクスベンチマークで評価し,その結果を得た。
  論文  参考訳（メタデータ） (2020-07-15T18:21:17Z)
• Unpaired Multi-modal Segmentation via Knowledge Distillation [77.39798870702174]
  本稿では,不対向画像分割のための新しい学習手法を提案する。 提案手法では,CTおよびMRI間での畳み込みカーネルの共有により,ネットワークパラメータを多用する。 我々は2つの多クラスセグメンテーション問題に対するアプローチを広範囲に検証した。
  論文  参考訳（メタデータ） (2020-01-06T20:03:17Z)

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。