論文の概要: MATCH: Multi-faceted Adaptive Topo-Consistency for Semi-Supervised Histopathology Segmentation

• arxiv url: http://arxiv.org/abs/2510.01532v1
• Date: Thu, 02 Oct 2025 00:08:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.913659
• Title: MATCH: Multi-faceted Adaptive Topo-Consistency for Semi-Supervised Histopathology Segmentation
• Title（参考訳）: MATCH: 半監督型病理組織分離のための多面適応トポ一貫性
• Authors: Meilong Xu, Xiaoling Hu, Shahira Abousamra, Chen Li, Chao Chen,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 15.740955468843035
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In semi-supervised segmentation, capturing meaningful semantic structures from unlabeled data is essential. This is particularly challenging in histopathology image analysis, where objects are densely distributed. To address this issue, we propose a semi-supervised segmentation framework designed to robustly identify and preserve relevant topological features. Our method leverages multiple perturbed predictions obtained through stochastic dropouts and temporal training snapshots, enforcing topological consistency across these varied outputs. This consistency mechanism helps distinguish biologically meaningful structures from transient and noisy artifacts. A key challenge in this process is to accurately match the corresponding topological features across the predictions in the absence of ground truth. To overcome this, we introduce a novel matching strategy that integrates spatial overlap with global structural alignment, minimizing discrepancies among predictions. Extensive experiments demonstrate that our approach effectively reduces topological errors, resulting in more robust and accurate segmentations essential for reliable downstream analysis. Code is available at \href{https://github.com/Melon-Xu/MATCH}{https://github.com/Melon-Xu/MATCH}.
• Abstract（参考訳）: 半教師付きセグメンテーションでは、ラベルのないデータから意味のある意味的構造を捉えることが不可欠である。 これは、物体が密集した組織像解析において特に困難である。 この問題に対処するために,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。 提案手法は,確率的ドロップアウトと時間的トレーニングスナップショットによって得られた複数の摂動予測を利用して,これらの出力のトポロジ的整合性を実現する。 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。 この過程における鍵となる課題は、基底的真理が存在しない状態での予測において、対応する位相的特徴を正確に一致させることである。 そこで我々は,空間的重なり合いをグローバルな構造的アライメントと統合し,予測の相違を最小化する新しいマッチング手法を提案する。 大規模な実験により, 提案手法はトポロジカルな誤差を効果的に低減し, 信頼性の高い下流解析に不可欠な, より堅牢で正確なセグメンテーションをもたらすことが示された。 コードは \href{https://github.com/Melon-Xu/MATCH}{https://github.com/Melon-Xu/MATCH} で公開されている。

関連論文リスト

• Towards Scalable Topological Regularizers [6.922812026345242]
  ワッサーシュタインや最大平均誤差といった確率測度のための計量は、そのような分布の違いを定量化するために一般的に用いられる。 永続ホモロジー(Persistent homology)は、点雲の多スケールな位相構造を定量化するトポロジカルデータ解析のツールである。 本稿では, 多数の小サブサンプルの永続的ホモロジーをトポロジカル・レギュレータとして計算した上で, 主永続性尺度の利用を提案する。
  論文  参考訳（メタデータ） (2025-01-24T17:02:04Z)
• 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)
• Universal Topology Refinement for Medical Image Segmentation with Polynomial Feature Synthesis [19.2371330932614]
  医用画像分割法は、しばしばトポロジカルな正当性を無視し、下流の多くのタスクでは利用できない。 1つの選択肢は、トポロジ駆動の損失コンポーネントを含む、そのようなモデルを再訓練することである。 本稿では,任意のドメイン固有のセグメンテーションパイプラインと互換性のあるプラグイン・アンド・プレイトポロジ・リファインメント法を提案する。
  論文  参考訳（メタデータ） (2024-09-15T17:07:58Z)
• Semi-supervised Segmentation of Histopathology Images with Noise-Aware Topological Consistency [11.783112213482632]
  TopoSemiSegは、ラベルのない画像からトポロジカル表現を学習する最初の半教師付き手法である。 教師と学生モデルの表現を整合させるため,雑音を考慮したトポロジカル整合性損失を導入する。 病理組織像データセットを用いた実験により,本手法の優位性を示した。
  論文  参考訳（メタデータ） (2023-11-28T03:04:35Z)
• Topology-Aware Segmentation Using Discrete Morse Theory [38.65353702366932]
  深部画像セグメンテーションネットワークを訓練し、位相精度を向上させる新しい手法を提案する。 1次元骨格や2次元パッチなど,位相的精度に重要なグローバル構造を明らかにする。 多様なデータセットに対して,DICEスコアとトポロジカルメトリクスの両方で優れた性能を示す。
  論文  参考訳（メタデータ） (2021-03-18T02:47:21Z)
• Revisiting LSTM Networks for Semi-Supervised Text Classification via Mixed Objective Function [106.69643619725652]
  我々は,単純なBiLSTMモデルであっても,クロスエントロピー損失でトレーニングした場合に,競争的な結果が得られるようなトレーニング戦略を開発する。 いくつかのベンチマークデータセット上で,テキスト分類タスクの最先端結果について報告する。
  論文  参考訳（メタデータ） (2020-09-08T21:55:22Z)
• Mixup-CAM: Weakly-supervised Semantic Segmentation via Uncertainty Regularization [73.03956876752868]
  我々は、ネットワークがオブジェクトの他の部分に注意を払うことを可能にする、原則的でエンドツーエンドのトレーニング可能なフレームワークを提案する。 具体的には、ミックスアップデータ拡張方式を分類ネットワークに導入し、2つの不確実な正規化項を設計し、ミックスアップ戦略をよりよく扱う。
  論文  参考訳（メタデータ） (2020-08-03T21:19:08Z)
• A Trainable Optimal Transport Embedding for Feature Aggregation and its Relationship to Attention [96.77554122595578]
  固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。 我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
  論文  参考訳（メタデータ） (2020-06-22T08:35:58Z)
• Panoptic Feature Fusion Net: A Novel Instance Segmentation Paradigm for Biomedical and Biological Images [91.41909587856104]
  本稿では,本研究における意味的特徴とインスタンス的特徴を統一するPanoptic Feature Fusion Net(PFFNet)を提案する。 提案するPFFNetには,インスタンス予測を意味的特徴に組み込むための残注意特徴融合機構が組み込まれている。 様々なバイオメディカルおよび生物学的データセットにおいて、最先端のいくつかの手法を上回ります。
  論文  参考訳（メタデータ） (2020-02-15T09:19:41Z)

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。