論文の概要: LPD: Learnable Prototypes with Diversity Regularization for Weakly Supervised Histopathology Segmentation

• arxiv url: http://arxiv.org/abs/2512.05922v1
• Date: Fri, 05 Dec 2025 17:59:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-13 22:40:57.124274
• Title: LPD: Learnable Prototypes with Diversity Regularization for Weakly Supervised Histopathology Segmentation
• Title（参考訳）: LPD: 弱教師付き病理組織分類のための多様性規則化による学習可能なプロトタイプ
• Authors: Khang Le, Anh Mai Vu, Thi Kim Trang Vo, Ha Thach, Ngoc Bui Lam Quang, Thanh-Huy Nguyen, Minh H. N. Le, Zhu Han, Chandra Mohan, Hien Van Nguyen,
• Abstract要約: 病理組織学における弱制御セマンティックセグメンテーション(WSSS)は、クラス間同質性、クラス内異質性、CAM誘発領域収縮によって阻害される。 クラスタフリーで一段階の学習可能プロトタイプフレームワークを提案する。 提案手法はBCSS-WSSS上でのSOTA(State-of-the-art)性能を実現し,mIoUとmDiceの先行手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 17.25487101903999
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Weakly supervised semantic segmentation (WSSS) in histopathology reduces pixel-level labeling by learning from image-level labels, but it is hindered by inter-class homogeneity, intra-class heterogeneity, and CAM-induced region shrinkage (global pooling-based class activation maps whose activations highlight only the most distinctive areas and miss nearby class regions). Recent works address these challenges by constructing a clustering prototype bank and then refining masks in a separate stage; however, such two-stage pipelines are costly, sensitive to hyperparameters, and decouple prototype discovery from segmentation learning, limiting their effectiveness and efficiency. We propose a cluster-free, one-stage learnable-prototype framework with diversity regularization to enhance morphological intra-class heterogeneity coverage. Our approach achieves state-of-the-art (SOTA) performance on BCSS-WSSS, outperforming prior methods in mIoU and mDice. Qualitative segmentation maps show sharper boundaries and fewer mislabels, and activation heatmaps further reveal that, compared with clustering-based prototypes, our learnable prototypes cover more diverse and complementary regions within each class, providing consistent qualitative evidence for their effectiveness.
• Abstract（参考訳）: 病理組織学における弱教師付きセマンティックセグメンテーション(WSSS)は、画像レベルのラベルから学ぶことでピクセルレベルのラベリングを減少させるが、クラス間の均一性、クラス内不均一性、およびCAM誘発領域収縮(アクティベーションが最も顕著な領域のみをハイライトし、近隣のクラス領域を欠くグローバルプーリングに基づくクラスアクティベーションマップ)によって妨げられる。 最近の研究は、クラスタリングプロトタイプバンクを構築してマスクを別の段階で精製することでこれらの課題に対処しているが、これらの2段階パイプラインはコストが高く、ハイパーパラメータに敏感であり、セグメンテーション学習からプロトタイプ発見を分離し、その有効性と効率を制限している。 クラスタフリーで一段階の学習可能プロトタイプフレームワークを提案する。 提案手法はBCSS-WSSS上でのSOTA(State-of-the-art)性能を実現し,mIoUとmDiceの先行手法よりも優れていた。 定性的セグメンテーションマップは、よりシャープな境界とより少ないミスラベルを示し、アクティベーションヒートマップは、クラスタリングベースのプロトタイプと比較すると、学習可能なプロトタイプは、各クラス内のより多様で相補的な領域をカバーし、それらの有効性に関する一貫した定性的証拠を提供する。

関連論文リスト

• Instance-Aware Pseudo-Labeling and Class-Focused Contrastive Learning for Weakly Supervised Domain Adaptive Segmentation of Electron Microscopy [4.145365369120085]
  非教師なしドメイン適応(UDA)メソッドは、実用アプリケーションでは比較的性能が低い。 本稿では,新しい事例認識型擬似ラベル(IPL)選択戦略を提案する。 提案手法は既存のUDA法やWDA法よりも優れており,教師付き上限による性能ギャップを著しく狭めている。
  論文  参考訳（メタデータ） (2025-10-18T11:05:37Z)
• Multimodal Prototype Alignment for Semi-supervised Pathology Image Segmentation [9.790130257265217]
  MPAMatchは,マルチモーダルプロトタイプ誘導監視パラダイムの下で画素レベルのコントラスト学習を行う,新たなセグメンテーションフレームワークである。 MPAMatchの中核的な革新は、画像プロトタイプとピクセルラベル、およびテキストプロトタイプとピクセルラベルの間の二重コントラスト学習方式にある。 さらに,ViTバックボーンを病理予知基盤モデル(Uni)に置き換えることで,古典的セグメンテーションアーキテクチャ(TransUNet)を再構築する。
  論文  参考訳（メタデータ） (2025-08-27T05:15:13Z)
• Training-Free Class Purification for Open-Vocabulary Semantic Segmentation [72.87707878910896]
  FreeCPは、セマンティックセグメンテーションのためのトレーニング不要のクラス浄化フレームワークである。 我々は,FreeCPの有効性を検証するため,8つのベンチマークで実験を行った。 その結果、プラグイン・アンド・プレイモジュールであるFreeCPは、他のOVSSメソッドと組み合わせることでセグメンテーション性能を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2025-08-01T11:55:12Z)
• Multi-Prototype Embedding Refinement for Semi-Supervised Medical Image Segmentation [1.6683976936678229]
  半教師型医用画像分割のためのマルチプロトタイプベース埋め込み精細化法を提案する。 具体的には, ボクセル埋め込みの構造的関係の観点から, セグメンテーションを再考し, マルチプロトタイプベースの分類戦略を設計する。 2つの一般的なベンチマークの徹底的な評価において,本手法は最先端の手法と比較して優れた性能を発揮する。
  論文  参考訳（メタデータ） (2025-03-18T15:23:52Z)
• Prototype-Based Image Prompting for Weakly Supervised Histopathological Image Segmentation [13.640757848445835]
  画素レベルのアノテーションのコストが高いため,画像レベルのラベル付き画像セグメント化の弱さが注目されている。 クラスアクティベーションマップ(CAM)を用いた伝統的な手法は、しばしば最も差別的な領域のみをハイライトする。
  論文  参考訳（メタデータ） (2025-03-15T09:55:31Z)
• Collaborative Feature-Logits Contrastive Learning for Open-Set Semi-Supervised Object Detection [75.02249869573994]
  オープンセットのシナリオでは、ラベルなしデータセットには、イン・ディストリビューション(ID)クラスとアウト・オブ・ディストリビューション(OOD)クラスの両方が含まれている。 このような設定で半教師付き検出器を適用すると、OODクラスをIDクラスとして誤分類する可能性がある。 我々は、CFL-Detector(Collaborative Feature-Logits Detector)と呼ばれるシンプルで効果的な方法を提案する。
  論文  参考訳（メタデータ） (2024-11-20T02:57:35Z)
• Rethinking Clustering-Based Pseudo-Labeling for Unsupervised Meta-Learning [146.11600461034746]
  教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。 このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。 このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
  論文  参考訳（メタデータ） (2022-09-27T19:04:36Z)
• Consistency and Diversity induced Human Motion Segmentation [231.36289425663702]
  本稿では,CDMS(Consistency and Diversity induced Human Motion)アルゴリズムを提案する。 我々のモデルは、ソースとターゲットデータを異なる多層特徴空間に分解する。 ソースとターゲットデータ間の領域ギャップを低減するために、マルチミューチュアル学習戦略を実行する。
  論文  参考訳（メタデータ） (2022-02-10T06:23:56Z)
• Margin Preserving Self-paced Contrastive Learning Towards Domain Adaptation for Medical Image Segmentation [51.93711960601973]
  クロスモーダル医療画像セグメンテーションのための自己ペースコントラスト学習モデルを保存する新しいマージンを提案する。 プログレッシブに洗練されたセマンティックプロトタイプの指導により、埋め込み表現空間の識別性を高めるために、コントラスト損失を減少させる新しいマージンが提案される。 クロスモーダル心セグメンテーションタスクの実験は、MPSCLが意味セグメンテーション性能を大幅に改善することを示した。
  論文  参考訳（メタデータ） (2021-03-15T15:23:10Z)
• Unsupervised Domain Adaptation in Semantic Segmentation via Orthogonal and Clustered Embeddings [25.137859989323537]
  本稿では,機能クラスタリング手法に基づく効果的なUnsupervised Domain Adaptation(UDA)戦略を提案する。 識別的クラスタリング性能を高めるために,2つの新しい学習目標を導入する。
  論文  参考訳（メタデータ） (2020-11-25T10:06:22Z)

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。