論文の概要: Graph-Theoretic Consistency for Robust and Topology-Aware Semi-Supervised Histopathology Segmentation
- arxiv url: http://arxiv.org/abs/2509.22689v2
- Date: Wed, 29 Oct 2025 02:47:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-30 15:50:44.192565
- Title: Graph-Theoretic Consistency for Robust and Topology-Aware Semi-Supervised Histopathology Segmentation
- Title（参考訳）: ロバスト・トポロジーを考慮した半監督的病理組織分類のためのグラフ理論の整合性
- Authors: Ha-Hieu Pham, Minh Le, Han Huynh, Nguyen Quoc Khanh Le, Huy-Hieu Pham,
- Abstract要約: 半教師付きセマンティックセグメンテーション(SSSS)は、高密度アノテーションが高価で制限される計算病理学において不可欠である。
本稿では、ラプラシアンスペクトル、成分数、および予測グラフと参照間の隣接統計を整列させることにより、グラフ理論の制約を統合するフレームワークであるTopology Graph Consistency (TGC)を提案する。
- 参考スコア（独自算出の注目度）: 2.547516931540122
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Semi-supervised semantic segmentation (SSSS) is vital in computational pathology, where dense annotations are costly and limited. Existing methods often rely on pixel-level consistency, which propagates noisy pseudo-labels and produces fragmented or topologically invalid masks. We propose Topology Graph Consistency (TGC), a framework that integrates graph-theoretic constraints by aligning Laplacian spectra, component counts, and adjacency statistics between prediction graphs and references. This enforces global topology and improves segmentation accuracy. Experiments on GlaS and CRAG demonstrate that TGC achieves state-of-the-art performance under 5-10% supervision and significantly narrows the gap to full supervision.
- Abstract（参考訳）: 半教師付きセマンティックセグメンテーション(SSSS)は、高密度アノテーションが高価で制限される計算病理学において不可欠である。
既存の方法は、しばしばピクセルレベルの一貫性に依存し、ノイズの多い擬似ラベルを伝播し、断片化または位相的に無効なマスクを生成する。
本稿では、ラプラシアンスペクトル、成分数、および予測グラフと参照間の隣接統計を整列させることにより、グラフ理論の制約を統合するフレームワークであるTopology Graph Consistency (TGC)を提案する。
これにより、グローバルトポロジが強制され、セグメンテーションの精度が向上する。
GlaSとCRAGの実験は、TGCが5-10%の監督下で最先端のパフォーマンスを達成し、完全な監督のギャップを著しく狭めることを示した。
関連論文リスト
- GAFR-Net: A Graph Attention and Fuzzy-Rule Network for Interpretable Breast Cancer Image Classification [0.0]
病理画像分類のための頑健で解釈可能なグラフ注意とファジィルールネットワークであるGAFRNetを提案する。
GAFR-Netは、複数の倍率および分類タスクにおいて、様々な最先端手法を一貫して上回ることを示す。
これらの結果は,医用医用画像解析における信頼性の高い意思決定支援ツールとして,GAFR-Netの優れた一般化と実用性を検証した。
論文 参考訳（メタデータ） (2026-02-10T01:25:57Z) - Contrastive Graph Modeling for Cross-Domain Few-Shot Medical Image Segmentation [58.41482540044918]
クロスドメイン少ショット医療画像セグメンテーション(CD-FSMIS)は医療応用に有望でデータ効率のよいソリューションを提供する。
本稿では,医用画像の構造的整合性を利用したコントラストグラフモデリング(C-Graph)を提案する。
論文 参考訳（メタデータ） (2025-12-25T14:00:17Z) - HTG-GCL: Leveraging Hierarchical Topological Granularity from Cellular Complexes for Graph Contrastive Learning [18.97546255767921]
グラフの対比学習は、決定的トポロジ的パターンを共有する同じグラフの異なるビューを対比することにより、識別的意味的不変性を学習することを目的としている。
HTG-GCL(Hierarchical Topological Granularity Graph Contrastive Learning)は,同じグラフの変換を利用して,マルチスケールのリングベース細胞複合体を生成する新しいフレームワークである。
論文 参考訳（メタデータ） (2025-11-30T09:09:42Z) - Robust Graph Condensation via Classification Complexity Mitigation [61.22258715077984]
グラフ凝縮は内在次元還元過程であり、より低い分類複雑性を持つ縮合グラフを合成する。
縮合グラフを滑らかな低次元多様体内に配置する3つのグラフデータ多様体学習モジュールを導入する。
さまざまな攻撃シナリオにおけるModelNameの堅牢性を示す実験。
論文 参考訳（メタデータ） (2025-10-30T12:55:21Z) - MATCH: Multi-faceted Adaptive Topo-Consistency for Semi-Supervised Histopathology Segmentation [15.740955468843035]
本稿では,関係するトポロジ的特徴を頑健に識別し,保存する半教師付きセグメンテーションフレームワークを提案する。
この一貫性機構は、生物学的に意味のある構造と過渡的およびノイズのある人工物とを区別するのに役立つ。
空間重なりとグローバルな構造アライメントを統合する新しいマッチング戦略を導入する。
論文 参考訳（メタデータ） (2025-10-02T00:08:28Z) - CRoC: Context Refactoring Contrast for Graph Anomaly Detection with Limited Supervision [11.139587480845144]
グラフ異常検出(GAD)のためのグラフニューラルネットワーク(GNN)を学習するフレームワークであるコンテキストリファクタリングコントラスト(CRoC)を提案する。
CRoCは、GAD固有のクラス不均衡を利用して、ラベル付きおよび豊富なラベル付きデータを活用する。
トレーニングの段階では、CRoCは対照的な学習パラダイムとさらに統合されている。これにより、GNNはトレーニング中にラベルのないデータを効果的に活用し、よりリッチでより離散的なノードの埋め込みを生成することができる。
論文 参考訳（メタデータ） (2025-08-17T08:05:17Z) - Hallucination Detection in LLMs with Topological Divergence on Attention Graphs [60.83579255387347]
幻覚(Halucination)、すなわち、事実的に誤ったコンテンツを生成することは、大きな言語モデルにとって重要な課題である。
本稿では,TOHA (Topology-based HAllucination detector) をRAG設定に導入する。
論文 参考訳（メタデータ） (2025-04-14T10:06:27Z) - From Pixels to Histopathology: A Graph-Based Framework for Interpretable Whole Slide Image Analysis [81.19923502845441]
我々はWSIグラフ表現を構成するグラフベースのフレームワークを開発する。
任意のパッチではなく生物学的境界に従う組織表現(ノード)を構築します。
本手法の最終段階として,グラフアテンションネットワークを用いて診断課題を解決する。
論文 参考訳（メタデータ） (2025-03-14T20:15:04Z) - Beyond Message Passing: Neural Graph Pattern Machine [50.78679002846741]
本稿では,グラフサブストラクチャから直接学習することで,メッセージパッシングをバイパスする新しいフレームワークであるNeural Graph Pattern Machine(GPM)を紹介する。
GPMはタスク関連グラフパターンを効率的に抽出し、エンコードし、優先順位付けする。
論文 参考訳（メタデータ） (2025-01-30T20:37:47Z) - Contrastive Graph Condensation: Advancing Data Versatility through Self-Supervised Learning [47.74244053386216]
グラフ凝縮は、大規模原グラフのコンパクトで代替的なグラフを合成するための有望な解である。
本稿では、自己教師型代理タスクを取り入れたCTGC(Contrastive Graph Condensation)を導入し、元のグラフから批判的、因果的な情報を抽出する。
CTGCは、様々な下流タスクを限られたラベルで処理し、一貫して最先端のGCメソッドより優れている。
論文 参考訳（メタデータ） (2024-11-26T03:01:22Z) - Topograph: An efficient Graph-Based Framework for Strictly Topology Preserving Image Segmentation [78.54656076915565]
位相的正しさは多くの画像分割タスクにおいて重要な役割を果たす。
ほとんどのネットワークは、Diceのようなピクセル単位の損失関数を使って、トポロジカルな精度を無視して訓練されている。
トポロジ的に正確な画像セグメンテーションのための新しいグラフベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2024-11-05T16:20:14Z) - Tensor-Fused Multi-View Graph Contrastive Learning [12.412040359604163]
グラフコントラッシブラーニング(GCL)は、グラフニューラルネットワーク(GNN)の機能を強化し、ラベルのないグラフ構造化データからリッチな表現を学習するための、有望なアプローチとして登場した。
現在のGCLモデルは、計算要求と限られた機能利用の課題に直面している。
提案するTensorMV-GCLは,拡張された永続的ホモロジーをGCL表現と統合し,マルチスケールな特徴抽出を容易にする新しいフレームワークである。
論文 参考訳（メタデータ） (2024-10-20T01:40:12Z) - Learning Whole-Slide Segmentation from Inexact and Incomplete Labels
using Tissue Graphs [11.315178576537768]
グラフを用いた弱教師付きセマンティックセグメンテーション手法であるSegGiniを提案する。
SegGiniセグメントは、組織マイクロアレイ(TMA)から全スライド画像(WSI)まで、任意かつ大規模な画像です。
論文 参考訳（メタデータ） (2021-03-04T16:04:24Z)
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。