論文の概要: MUSE: Multi-Scale Dense Self-Distillation for Nucleus Detection and Classification

• arxiv url: http://arxiv.org/abs/2511.05170v1
• Date: Fri, 07 Nov 2025 11:40:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-10 21:00:44.747759
• Title: MUSE: Multi-Scale Dense Self-Distillation for Nucleus Detection and Classification
• Title（参考訳）: MUSE: 核検出・分類のためのマルチスケール高密度自己蒸留
• Authors: Zijiang Yang, Hanqing Chao, Bokai Zhao, Yelin Yang, Yunshuo Zhang, Dongmei Fu, Junping Zhang, Le Lu, Ke Yan, Dakai Jin, Minfeng Xu, Yun Bian, Hui Jiang,
• Abstract要約: MUSE(MUlti-scale denSE self-distillation)は病理組織学的NDCに適した自己教師型学習法である。 核となるのがNuLo (Nucleus-based Local self-distillation) であり、これは柔軟な局所的な自己蒸留を可能にする座標誘導機構である。 広く使用されている3つのベンチマークの実験では、MUSEが病理組織学NDCのコア課題に効果的に対処していることが示されている。
• 参考スコア（独自算出の注目度）: 37.60940265460864
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Nucleus detection and classification (NDC) in histopathology analysis is a fundamental task that underpins a wide range of high-level pathology applications. However, existing methods heavily rely on labor-intensive nucleus-level annotations and struggle to fully exploit large-scale unlabeled data for learning discriminative nucleus representations. In this work, we propose MUSE (MUlti-scale denSE self-distillation), a novel self-supervised learning method tailored for NDC. At its core is NuLo (Nucleus-based Local self-distillation), a coordinate-guided mechanism that enables flexible local self-distillation based on predicted nucleus positions. By removing the need for strict spatial alignment between augmented views, NuLo allows critical cross-scale alignment, thus unlocking the capacity of models for fine-grained nucleus-level representation. To support MUSE, we design a simple yet effective encoder-decoder architecture and a large field-of-view semi-supervised fine-tuning strategy that together maximize the value of unlabeled pathology images. Extensive experiments on three widely used benchmarks demonstrate that MUSE effectively addresses the core challenges of histopathological NDC. The resulting models not only surpass state-of-the-art supervised baselines but also outperform generic pathology foundation models.
• Abstract（参考訳）: 病理組織学解析における核検出と分類(NDC)は、幅広いハイレベルな病理学応用を支える基本的な課題である。 しかし、既存の手法は、労働集約的な核レベルのアノテーションに大きく依存し、識別的核表現を学習するために大規模な未ラベルデータを完全に活用するのに苦労している。 本研究では,NDCに適した自己教師型学習手法であるMUSE(MUlti-scale denSE self-distillation)を提案する。 核の中核はNuLo (Nucleus-based Local self-distillation) であり、これは予測された核位置に基づいてフレキシブルな局所自己蒸留を可能にする座標誘導機構である。 拡張ビュー間の厳密な空間アライメントの必要性を取り除くことで、NuLoは重要なクロススケールアライメントを可能にし、きめ細かい核レベルの表現のためのモデルのキャパシティを解放する。 MUSEをサポートするために、単純で効果的なエンコーダデコーダアーキテクチャと、ラベルのない病理画像の価値を最大化する、視野の半教師付き微調整戦略を設計する。 MUSEが病理組織学的NDCのコア課題に効果的に対処していることが、広く利用されている3つのベンチマークで実証された。 結果として得られたモデルは、最先端の教師付きベースラインを超えるだけでなく、一般的な病理基盤モデルよりも優れている。

関連論文リスト

• LoRKD: Low-Rank Knowledge Decomposition for Medical Foundation Models [59.961172635689664]
  知識分解」は、特定の医療課題のパフォーマンス向上を目的としている。 我々はLow-Rank Knowledge Decomposition(LoRKD)という新しいフレームワークを提案する。 LoRKDは、低ランクのエキスパートモジュールと効率的な知識分離畳み込みを組み込むことで、グラデーションを異なるタスクから明確に分離する。
  論文  参考訳（メタデータ） (2024-09-29T03:56:21Z)
• BoNuS: Boundary Mining for Nuclei Segmentation with Partial Point Labels [34.57288003249214]
  本稿では,核の部分点ラベルのみを必要とする弱制御型核分割法を提案する。 具体的には,核内部情報と境界情報とを同時に学習するBoNuSという,核セグメンテーションのための新しい境界地雷フレームワークを提案する。 形態学的な知識で欠落した核を検出するためのカリキュラム学習を備えた核検出モジュールについて検討する。
  論文  参考訳（メタデータ） (2024-01-15T02:50:39Z)
• Domain Adaptive Nuclei Instance Segmentation and Classification via Category-aware Feature Alignment and Pseudo-labelling [65.40672505658213]
  本稿では, UDA 核インスタンス分割と分類のための新しいディープニューラルネットワークである Category-Aware 機能アライメントと Pseudo-Labelling Network (CAPL-Net) を提案する。 我々のアプローチは、最先端のUDA手法よりも顕著なマージンで優れています。
  論文  参考訳（メタデータ） (2022-07-04T07:05:06Z)
• PointNu-Net: Keypoint-assisted Convolutional Neural Network for Simultaneous Multi-tissue Histology Nuclei Segmentation and Classification [23.466331358975044]
  ヘマトキシリンおよびエオシン染色組織学データから核を同時に検出し,分画し,分類する新しい手法を考案し,その設計を行った。 本研究は,19種類の組織にまたがる核分割と分類のための提案手法の優れた性能を実証する。
  論文  参考訳（メタデータ） (2021-11-01T08:29:40Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Instance-aware Self-supervised Learning for Nuclei Segmentation [47.07869311690419]
  本稿では,核インスタンス分割タスクにおける畳み込みニューラルネットワーク(CNN)の能力を活用するための,新たな自己教師型学習フレームワークを提案する。 提案するアプローチには、2つのサブタスクが含まれており、ニューラルネットワークは、核の大きさと量の事前知識を暗黙的に活用することができる。 公開されているMoNuSegデータセットの実験結果から、提案した自己教師付き学習手法は、核インスタンスのセグメンテーション精度を著しく向上させることができることが示された。
  論文  参考訳（メタデータ） (2020-07-22T03:37:14Z)
• Self-Supervised Nuclei Segmentation in Histopathological Images Using Attention [6.3039500405009665]
  スライド病理組織像全体に対する自己監督的核分割法を提案する。 本手法は, 原子核の大きさとテクスチャが, パッチを抽出した倍率を決定できるという仮定に基づいている。 実験の結果,通常の後処理では,他の非教師なし核分割法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-07-16T14:49:20Z)
• 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)

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。