論文の概要: Supervise Less, See More: Training-free Nuclear Instance Segmentation with Prototype-Guided Prompting

• arxiv url: http://arxiv.org/abs/2511.19953v1
• Date: Tue, 25 Nov 2025 05:58:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-26 17:37:04.292626
• Title: Supervise Less, See More: Training-free Nuclear Instance Segmentation with Prototype-Guided Prompting
• Title（参考訳）: 原型誘導プロンプティングによる無訓練核インスタンスセグメンテーション
• Authors: Wen Zhang, Qin Ren, Wenjing Liu, Haibin Ling, Chenyu You,
• Abstract要約: 核インスタンスセグメンテーションのための完全トレーニングおよびアノテーションなしプロンプトフレームワークであるSPROUTを紹介する。 SPROUTは、スライド固有の参照プロトタイプを構築するために、ヒストロジーインフォームドプリエントを利用する。 前景と背景の特徴は正および負の点のプロンプトに変換され、Segment Anything Model (SAM) は正確な核線を生成できる。
• 参考スコア（独自算出の注目度）: 53.799446807827714
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate nuclear instance segmentation is a pivotal task in computational pathology, supporting data-driven clinical insights and facilitating downstream translational applications. While large vision foundation models have shown promise for zero-shot biomedical segmentation, most existing approaches still depend on dense supervision and computationally expensive fine-tuning. Consequently, training-free methods present a compelling research direction, yet remain largely unexplored. In this work, we introduce SPROUT, a fully training- and annotation-free prompting framework for nuclear instance segmentation. SPROUT leverages histology-informed priors to construct slide-specific reference prototypes that mitigate domain gaps. These prototypes progressively guide feature alignment through a partial optimal transport scheme. The resulting foreground and background features are transformed into positive and negative point prompts, enabling the Segment Anything Model (SAM) to produce precise nuclear delineations without any parameter updates. Extensive experiments across multiple histopathology benchmarks demonstrate that SPROUT achieves competitive performance without supervision or retraining, establishing a novel paradigm for scalable, training-free nuclear instance segmentation in pathology.
• Abstract（参考訳）: 正確な核インスタンスのセグメンテーションは、計算病理学における重要なタスクであり、データ駆動型臨床的洞察をサポートし、下流の翻訳アプリケーションを促進する。 大きなビジョン基盤モデルは、ゼロショットのバイオメディカルセグメンテーションを約束する一方で、既存のアプローチの多くは、依然として高密度の監督と計算的に高価な微調整に依存している。 その結果、トレーニングなしの手法は魅力的な研究方向を示すが、ほとんど探索されていない。 本研究では,核インスタンスセグメンテーションのための完全トレーニングおよびアノテーションフリープロンプトフレームワークであるSPROUTを紹介する。 SPROUTは、ヒストロジーインフォームドプリエントを利用して、ドメインギャップを軽減するスライド固有の参照プロトタイプを構築する。 これらの試作機は、部分最適輸送スキームを通じて、機能アライメントを段階的にガイドする。 得られた前景と背景の特徴は正の点と負の点のプロンプトに変換され、SAM(Segment Anything Model)はパラメータの更新なしに正確な核線を生成できる。 複数の病理組織学ベンチマークの広範な実験により、SPROUTは、監督や再訓練なしに競争性能を達成し、病理学におけるスケーラブルで訓練のない核インスタンスセグメンテーションのための新しいパラダイムを確立した。

関連論文リスト

• Instance-Aware Robust Consistency Regularization for Semi-Supervised Nuclei Instance Segmentation [53.94176748542936]
  本稿では、インスタンスレベルの正確な核分割のためのインスタンス対応ロバスト整合性正規化ネットワーク(IRCR-Net)を提案する。 病理画像に核形態学的な先行知識を取り入れ,これらの先行知識を用いてラベルのないデータから生成された擬似ラベルの品質を評価する。
  論文  参考訳（メタデータ） (2025-10-10T12:32:32Z)
• Enhancing SAM with Efficient Prompting and Preference Optimization for Semi-supervised Medical Image Segmentation [30.524999223901645]
  完全教師なし方式で生成されるアノテーション効率のよいプロンプトを利用するSAM(Segment Anything Model)フレームワークを提案する。 我々は、モデルが高忠実度セグメンテーションを生成できるように最適なポリシーを設計するために、直接選好最適化手法を採用する。 X線, 超音波, 腹部CTなど多彩な領域にわたる肺分節, 乳房腫瘍分節, 臓器分節などのタスクにおける我々のフレームワークの最先端性能は, 低アノテーションデータシナリオにおけるその有効性を正当化するものである。
  論文  参考訳（メタデータ） (2025-03-06T17:28:48Z)
• Few-Shot Learning for Annotation-Efficient Nucleus Instance Segmentation [50.407071700154674]
  少数ショット学習(FSL)の観点から、アノテーション効率の良い核インスタンスセグメンテーションを定式化することを提案する。 我々の研究は、計算病理学の隆盛とともに、多くの完全注釈付きデータセットが一般に公開されていることに動機づけられた。 いくつかの公開データセットに対する大規模な実験は、SGFSISが他のアノテーション効率のよい学習ベースラインより優れていることを示している。
  論文  参考訳（メタデータ） (2024-02-26T03:49:18Z)
• Unleashing the Power of Prompt-driven Nucleus Instance Segmentation [12.827503504028629]
  Segment Anything Model (SAM) は医療画像のセグメンテーションにおいて大きな注目を集めている。 本稿では, 自動核インスタンスセグメンテーションのための新規なプロンプト駆動型フレームワークについて述べる。 提案手法は,3つの試行錯誤ベンチマークに対して,最先端性能を新たに設定する。
  論文  参考訳（メタデータ） (2023-11-27T15:46:47Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• 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。