論文の概要: ε-Seg: Sparsely Supervised Semantic Segmentation of Microscopy Data

• arxiv url: http://arxiv.org/abs/2510.18637v1
• Date: Tue, 21 Oct 2025 13:41:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:13.633585
• Title: ε-Seg: Sparsely Supervised Semantic Segmentation of Microscopy Data
• Title（参考訳）: ε-セグ:顕微鏡データのわずかに監督されたセマンティックセグメンテーション
• Authors: Sheida Rahnamai Kordasiabi, Damian Dalle Nogare, Florian Jug,
• Abstract要約: epsilon-Segは階層的変動オートエンコーダ(HVAE)に基づく方法である 中心領域マスキング、ラベルコントラスト学習(CL)、ガウス混合モデル(GMM)、クラスタリングフリーラベル予測を取り入れたepsilon-Segを紹介する。 以上の結果から,エプシロンセグは複雑な生体画像データに対して,厳密に制御されたセグメンテーションの結果を得ることが可能であることが示唆された。
• 参考スコア（独自算出の注目度）: 6.617593699054488
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Semantic segmentation of electron microscopy (EM) images of biological samples remains a challenge in the life sciences. EM data captures details of biological structures, sometimes with such complexity that even human observers can find it overwhelming. We introduce {\epsilon}-Seg, a method based on hierarchical variational autoencoders (HVAEs), employing center-region masking, sparse label contrastive learning (CL), a Gaussian mixture model (GMM) prior, and clustering-free label prediction. Center-region masking and the inpainting loss encourage the model to learn robust and representative embeddings to distinguish the desired classes, even if training labels are sparse (0.05% of the total image data or less). For optimal performance, we employ CL and a GMM prior to shape the latent space of the HVAE such that encoded input patches tend to cluster wrt. the semantic classes we wish to distinguish. Finally, instead of clustering latent embeddings for semantic segmentation, we propose a MLP semantic segmentation head to directly predict class labels from latent embeddings. We show empirical results of {\epsilon}-Seg and baseline methods on 2 dense EM datasets of biological tissues and demonstrate the applicability of our method also on fluorescence microscopy data. Our results show that {\epsilon}-Seg is capable of achieving competitive sparsely-supervised segmentation results on complex biological image data, even if only limited amounts of training labels are available.
• Abstract（参考訳）: 生物試料の電子顕微鏡(EM)画像のセマンティックセグメンテーションは、生命科学における課題である。 EMデータは生物学的構造の詳細を捉え、時に人間の観察者でさえ圧倒的な複雑さを持つ。 本稿では,階層型変分オートエンコーダ(HVAE)に基づく手法である {\epsilon}-Segを紹介し,中心領域マスキング,スパースラベルコントラスト学習(CL),ガウス混合モデル(GMM),クラスタリングフリーラベル予測を紹介する。 中心領域マスキングと塗装損失は、トレーニングラベルが不足している場合でも(全画像データの0.05%以下)、モデルが堅牢で代表的な埋め込みを学習し、望ましいクラスを区別することを奨励する。 最適性能を得るためには、符号化された入力パッチがwrtをクラスタ化する傾向にあるHVAEの潜時空間を形成するためにCLとGMMを用いる。 区別したい意味クラスです 最後に,セマンティックセグメンテーションのための潜在埋め込みをクラスタリングする代わりに,潜在埋め込みからクラスラベルを直接予測するMLPセマンティックセグメンテーションヘッドを提案する。 生体組織の2つの高密度EMデータセット上で, {\epsilon}-Segおよびベースライン法の実験結果を示し, 蛍光顕微鏡データにも適用可能であることを示した。 以上の結果から, 限られたトレーニングラベルが利用可能であっても, 複雑な生体画像データに対して, 厳密に調整されたセグメンテーション結果が得られることが示唆された。

関連論文リスト

• ConformalSAM: Unlocking the Potential of Foundational Segmentation Models in Semi-Supervised Semantic Segmentation with Conformal Prediction [57.930531826380836]
  本研究は,未ラベル画像のアノテータとして画素レベルの視覚課題におけるラベル不足に,基礎的セグメンテーションモデルが対処できるかどうかを考察する。 ConformalSAMは,まず対象ドメインのラベル付きデータを用いて基礎モデルを校正し,ラベルなしデータの信頼できないピクセルラベルをフィルタリングする新しいSSSSフレームワークである。
  論文  参考訳（メタデータ） (2025-07-21T17:02:57Z)
• PathSegDiff: Pathology Segmentation using Diffusion model representations [63.20694440934692]
  そこで我々は,Latent Diffusion Models (LDMs) を事前学習した特徴抽出器として活用する,病理組織像分割の新しい手法であるPathSegDiffを提案する。 本手法は,H&E染色組織像から多彩な意味情報を抽出するために,自己教師型エンコーダによって誘導される病理特異的LCMを用いる。 本実験は,BCSSおよびGlaSデータセットにおける従来の手法よりも大幅に改善されたことを示す。
  論文  参考訳（メタデータ） (2025-04-09T14:58:21Z)
• Neighbor Does Matter: Density-Aware Contrastive Learning for Medical Semi-supervised Segmentation [17.69408044083565]
  我々は,特徴空間の幾何から,監督情報を直接抽出できることを論じる。 密度に基づくクラスタリング仮説に着想を得て,特徴密度を用いて特徴クラスタ内のスパース領域を特定することを提案する。 本手法は, ラベル付きおよびラベルなしデータサンプルを用いて, 特徴密度を推定し, スパース領域の同定を行う。
  論文  参考訳（メタデータ） (2024-12-27T13:57:57Z)
• CLASS-M: Adaptive stain separation-based contrastive learning with pseudo-labeling for histopathological image classification [1.9574002186090493]
  広範にラベル付けされたデータセットを必要としない半教師付きパッチレベルの組織像分類モデルであるCLASS-Mを提案する。 2つの明確な細胞腎細胞癌データセットの他の最先端モデルと比較した。
  論文  参考訳（メタデータ） (2023-12-12T04:38:30Z)
• Optimizations of Autoencoders for Analysis and Classification of Microscopic In Situ Hybridization Images [68.8204255655161]
  同様のレベルの遺伝子発現を持つ顕微鏡画像の領域を検出・分類するためのディープラーニングフレームワークを提案する。 分析するデータには教師なし学習モデルが必要です。
  論文  参考訳（メタデータ） (2023-04-19T13:45:28Z)
• Linking data separation, visual separation, and classifier performance using pseudo-labeling by contrastive learning [125.99533416395765]
  最終分類器の性能は、潜在空間に存在するデータ分離と、射影に存在する視覚的分離に依存すると論じる。 本研究は,ヒト腸管寄生虫の5つの現実的課題の画像データセットを1%の教師付きサンプルで分類し,その結果を実証する。
  論文  参考訳（メタデータ） (2023-02-06T10:01:38Z)
• Segmentation in large-scale cellular electron microscopy with deep learning: A literature survey [6.144134660210243]
  ディープラーニングアルゴリズムは、ピクセルレベルのラベル付けと、同じクラスの別々のインスタンスのラベル付けの両方において、印象的な結果を得た。 本稿では,これらのアルゴリズムが,EM画像中の細胞構造とサブセル構造を分割する作業にどのように適応したかを検討する。
  論文  参考訳（メタデータ） (2022-06-14T20:57:49Z)
• 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)
• Towards Robust Partially Supervised Multi-Structure Medical Image Segmentation on Small-Scale Data [123.03252888189546]
  データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。 マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。 本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
  論文  参考訳（メタデータ） (2020-11-28T16:31:00Z)

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。