論文の概要: SemiETPicker: Fast and Label-Efficient Particle Picking for CryoET Tomography Using Semi-Supervised Learning
- arxiv url: http://arxiv.org/abs/2510.22454v1
- Date: Sat, 25 Oct 2025 23:09:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-28 15:28:15.206427
- Title: SemiETPicker: Fast and Label-Efficient Particle Picking for CryoET Tomography Using Semi-Supervised Learning
- Title（参考訳）: SemiETPicker:セミスーパービジョン学習を用いたCryoETトモグラフィのための高速かつラベル効率の良いパーティクルピッキング
- Authors: Linhan Wang, Jianwen Dou, Wang Li, Shengkun Wang, Zhiwu Xie, Chang-Tien Lu, Yinlin Chen,
- Abstract要約: ラベルのないCryoETデータを利用する高速なラベル効率半教師付きフレームワークを提案する。
本フレームワークは,キーポイント検出にインスパイアされたエンド・ツー・エンドのヒートマップ監視検出モデルと,スパースラベリング条件下での性能を高める教師と学生の協調学習機構の2つのコンポーネントから構成される。
- 参考スコア（独自算出の注目度）: 10.415301702950376
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cryogenic Electron Tomography (CryoET) combined with sub-volume averaging (SVA) is the only imaging modality capable of resolving protein structures inside cells at molecular resolution. Particle picking, the task of localizing and classifying target proteins in 3D CryoET volumes, remains the main bottleneck. Due to the reliance on time-consuming manual labels, the vast reserve of unlabeled tomograms remains underutilized. In this work, we present a fast, label-efficient semi-supervised framework that exploits this untapped data. Our framework consists of two components: (i) an end-to-end heatmap-supervised detection model inspired by keypoint detection, and (ii) a teacher-student co-training mechanism that enhances performance under sparse labeling conditions. Furthermore, we introduce multi-view pseudo-labeling and a CryoET-specific DropBlock augmentation strategy to further boost performance. Extensive evaluations on the large-scale CZII dataset show that our approach improves F1 by 10% over supervised baselines, underscoring the promise of semi-supervised learning for leveraging unlabeled CryoET data.
- Abstract（参考訳）: 低温電子トモグラフィ(CryoET)とサブボリューム平均化(SVA)を組み合わせることで、細胞内のタンパク質構造を分子分解能で解決できる唯一の画像モダリティとなる。
標的タンパク質を3次元CryoETボリュームにローカライズ・分類する作業であるパーティクルピッキングが主要なボトルネックとなっている。
時間的な手動ラベルに依存しているため、ラベルなしのトモグラフィーは未使用のままである。
本研究では,この未使用データを利用した高速でラベル効率のよい半教師付きフレームワークを提案する。
私たちのフレームワークは2つのコンポーネントで構成されています。
i)キーポイント検出にインスパイアされたエンド・ツー・エンドのヒートマップ監視検出モデル
(II)スパースラベリング条件下でのパフォーマンスを高める教師-学生共学機構。
さらに,CryoET固有のDropBlock拡張戦略とマルチビュー擬似ラベルを導入し,性能をさらに向上する。
大規模CZIIデータセットを大規模に評価した結果,教師付きベースラインよりもF1を10%向上させ,ラベルのないCryoETデータを活用するための半教師付き学習の可能性を強調した。
関連論文リスト
- Cycle-Consistent Multi-Graph Matching for Self-Supervised Annotation of C.Elegans [4.4618764205189985]
キーポイント特徴のガウス分布を仮定できる問題に適用可能な,教師なしマルチグラフマッチングのための新しい手法を提案する。
サイクル一貫性を自己教師付き学習の損失として活用し,ベイズ最適化を用いてガウスパラメータを決定する。
線虫C. elegansの3次元顕微鏡画像における意味細胞アノテーションのバイオメディカル・ユースケースに対する,最先端の教師あり方法論の精度に到達することができる。
論文 参考訳（メタデータ） (2025-03-10T14:03:18Z) - Enhancing Point Annotations with Superpixel and Confidence Learning
Guided for Improving Semi-Supervised OCT Fluid Segmentation [17.85298271262749]
Superpixel and Confident Learning Guide Point s Network (SCLGPA-Net)。
Superpixel-Guided Pseudo-Label Generation (SGPLG)モジュールは擬似ラベルとピクセルレベルのラベル信頼マップを生成する。
CLGLR(Confident Learning Guided Label Refinement)モジュールは、擬似ラベル内のエラー情報を識別し、さらなる改善につながる。
論文 参考訳（メタデータ） (2023-06-05T04:21:00Z) - Revisiting Class Imbalance for End-to-end Semi-Supervised Object
Detection [1.6249267147413524]
半教師付きオブジェクト検出(SSOD)は、擬似ラベルに基づくエンドツーエンド手法の開発において大きな進歩を遂げている。
多くの手法は、擬似ラベルジェネレータの有効性を妨げるクラス不均衡のため、課題に直面している。
本稿では,低品質な擬似ラベルの根本原因と,ラベル生成品質を改善するための新しい学習メカニズムについて検討する。
論文 参考訳（メタデータ） (2023-06-04T06:01:53Z) - 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) - LESS: Label-Efficient Semantic Segmentation for LiDAR Point Clouds [62.49198183539889]
我々は,LiDAR点雲を用いた屋外シーンのためのラベル効率のよいセマンティックセマンティックセマンティクスパイプラインを提案する。
本手法は,半弱教師付き学習を用いて,効率的なラベリング手法を設計する。
提案手法は,100%ラベル付き完全教師付き手法と比較して,さらに競争力が高い。
論文 参考訳（メタデータ） (2022-10-14T19:13:36Z) - Semi-supervised 3D Object Detection with Proficient Teachers [114.54835359657707]
自律運転のシナリオにおけるクラウドベースの3Dオブジェクト検出器の優位性は、大量の正確なラベル付きサンプルに大きく依存している。
Pseudo-Labeling法はSSLフレームワークで一般的に使用されているが、教師モデルの低品質な予測は、その性能を著しく制限している。
そこで本研究では,教師モデルをさらに高度化することで,半教師付き3次元物体検出のためのPseudo-Labelingフレームワークを提案する。
論文 参考訳（メタデータ） (2022-07-26T04:54:03Z) - Active Learning to Classify Macromolecular Structures in situ for Less
Supervision in Cryo-Electron Tomography [18.97783153971551]
大規模非ラベル付きサブトモグラムプールからラベル作成のためのサブトモグラムをクエリするためのフレームワークを提案する。
HALは不確実サンプリングを採用し、最も不確実な予測を持つサブトモグラムを選択する。
halはクエリセットの多様性を改善するためにサブセットサンプリング戦略を導入している。
論文 参考訳（メタデータ） (2021-02-24T03:10:32Z) - Deep Semi-supervised Knowledge Distillation for Overlapping Cervical
Cell Instance Segmentation [54.49894381464853]
本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。
摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。
実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
論文 参考訳（メタデータ） (2020-07-21T13:27:09Z) - Weakly Supervised Deep Nuclei Segmentation Using Partial Points
Annotation in Histopathology Images [51.893494939675314]
本稿では,部分点アノテーションに基づく弱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。
本手法は, 完全教師付き手法や最先端手法と比較して, 競争性能を向上できることを示す。
論文 参考訳（メタデータ） (2020-07-10T15:41:29Z) - EHSOD: CAM-Guided End-to-end Hybrid-Supervised Object Detection with
Cascade Refinement [53.69674636044927]
本稿では,エンド・ツー・エンドのハイブリッド型オブジェクト検出システムであるEHSODについて述べる。
完全なアノテートと弱いアノテートの両方で、ワンショットでトレーニングすることができる。
完全なアノテートされたデータの30%しか持たない複数のオブジェクト検出ベンチマークで、同等の結果が得られる。
論文 参考訳（メタデータ） (2020-02-18T08:04:58Z)
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。