論文の概要: Boosting Overlapping Organoid Instance Segmentation Using Pseudo-Label Unmixing and Synthesis-Assisted Learning

• arxiv url: http://arxiv.org/abs/2601.06642v1
• Date: Sat, 10 Jan 2026 17:51:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:00.916878
• Title: Boosting Overlapping Organoid Instance Segmentation Using Pseudo-Label Unmixing and Synthesis-Assisted Learning
• Title（参考訳）: Pseudo-Label Unmixingと合成支援学習による重なり合うオルガノイドインスタンスセグメンテーション
• Authors: Gui Huang, Kangyuan Zheng, Xuan Cai, Jiaqi Wang, Jianjia Zhang, Kaida Ning, Wenbo Wei, Yujuan Zhu, Jiong Zhang, Mengting Liu,
• Abstract要約: オルガノイドはヒト組織のin vitroモデルである。 臓器機能をシミュレートし、薬物反応を正確に評価する能力があるため、医学研究には欠かせない。 正確なオルガノイドのインスタンスセグメンテーションは、それらの動的挙動を定量化するために重要である。
• 参考スコア（独自算出の注目度）: 17.2312303630893
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Organoids, sophisticated in vitro models of human tissues, are crucial for medical research due to their ability to simulate organ functions and assess drug responses accurately. Accurate organoid instance segmentation is critical for quantifying their dynamic behaviors, yet remains profoundly limited by high-quality annotated datasets and pervasive overlap in microscopy imaging. While semi-supervised learning (SSL) offers a solution to alleviate reliance on scarce labeled data, conventional SSL frameworks suffer from biases induced by noisy pseudo-labels, particularly in overlapping regions. Synthesis-assisted SSL (SA-SSL) has been proposed for mitigating training biases in semi-supervised semantic segmentation. We present the first adaptation of SA-SSL to organoid instance segmentation and reveal that SA-SSL struggles to disentangle intertwined organoids, often misrepresenting overlapping instances as a single entity. To overcome this, we propose Pseudo-Label Unmixing (PLU), which identifies erroneous pseudo-labels for overlapping instances and then regenerates organoid labels through instance decomposition. For image synthesis, we apply a contour-based approach to synthesize organoid instances efficiently, particularly for overlapping cases. Instance-level augmentations (IA) on pseudo-labels before image synthesis further enhances the effect of synthetic data (SD). Rigorous experiments on two organoid datasets demonstrate our method's effectiveness, achieving performance comparable to fully supervised models using only 10% labeled data, and state-of-the-art results. Ablation studies validate the contributions of PLU, contour-based synthesis, and augmentation-aware training. By addressing overlap at both pseudo-label and synthesis levels, our work advances scalable, label-efficient organoid analysis, unlocking new potential for high-throughput applications in precision medicine.
• Abstract（参考訳）: ヒト組織を改良したインビトロモデルであるオルガノイドは、臓器の機能をシミュレートし、薬物反応を正確に評価する能力のため、医学研究に不可欠である。 正確なオルガノイドのインスタンスセグメンテーションは、それらのダイナミックな振る舞いを定量化するために重要であるが、高品質な注釈付きデータセットと顕微鏡画像における広範囲なオーバーラップにより、非常に制限されている。 半教師付き学習(SSL)はラベルの少ないデータへの依存を軽減するソリューションを提供するが、従来のSSLフレームワークは、特に重複する領域において、ノイズの多い擬似ラベルによって引き起こされるバイアスに悩まされる。 半教師付きセマンティックセグメンテーションにおけるトレーニングバイアスを軽減するために,合成支援SSL(SA-SSL)が提案されている。 我々は,SA-SSLをオルガノイドのインスタンスセグメンテーションに適応させ,SA-SSLが互いに絡み合ったオルガノイドを解離させるのに苦労していることを明らかにする。 これを解決するために,重なり合う場合の擬似ラベルを識別し,インスタンス分解によりオルガノイドラベルを再生するPseudo-Label Unmixing (PLU)を提案する。 画像合成には、特に重なり合う場合において、効率的にオルガノイドインスタンスを合成するために輪郭に基づくアプローチを適用する。 画像合成前の擬似ラベルに対するインスタンスレベルの拡張(IA)は、合成データ(SD)の効果をさらに高める。 2つのオルガノイドデータセットに対する厳密な実験は、我々の手法の有効性を示し、10%のラベル付きデータと最先端の結果を用いて完全に教師付きモデルに匹敵する性能を実現した。 アブレーション研究は、PLU、輪郭をベースとした合成、および増量学習の貢献を検証している。 擬似ラベルレベルと合成レベルの両方で重なり合うことで、我々の研究はスケーラブルでラベル効率のよいオルガノイド分析を推進し、高精度医療における高スループットの応用に新たな可能性を開く。

関連論文リスト

• Towards Syn-to-Real IQA: A Novel Perspective on Reshaping Synthetic Data Distributions [74.00222571094437]
  Blind Image Quality Assessment (BIQA)はディープラーニングを通じて大幅に進歩しているが、大規模なラベル付きデータセットの不足は依然として課題である。 合成データセットから学習した表現は、しばしば回帰性能を妨げる離散的かつクラスタ化されたパターンを示す。 本稿では,BIQAの一般化を促進するために,合成データ分布を再考する新しいフレームワークであるSynDR-IQAを紹介する。
  論文  参考訳（メタデータ） (2026-01-01T06:11:16Z)
• Iterative pseudo-labeling based adaptive copy-paste supervision for semi-supervised tumor segmentation [25.905770074627174]
  CTスキャンにおける腫瘍セグメント化のための反復的擬似ラベルに基づく適応的コピー・ペースト・インスペクション(IPA-CP)。 IPA-CPは、腫瘍の不確かさを適応増強に注入することを目的として、双方向不確実性に基づく適応増強機構を組み込んでいる。 社内データセットと公開データセットの両方の実験により、我々のフレームワークは医療画像のセグメント化において最先端のSSLメソッドよりも優れています。
  論文  参考訳（メタデータ） (2025-08-06T03:12:30Z)
• Neurovascular Segmentation in sOCT with Deep Learning and Synthetic Training Data [4.5276169699857505]
  本研究は, 連続断面光コヒーレンストモグラフィー画像における神経血管セグメンテーションのための合成エンジンについて述べる。 提案手法は,ラベル合成とラベル・ツー・イメージ変換の2段階からなる。 前者の有効性を,より現実的なトレーニングラベルの集合と比較し,後者を合成ノイズと人工物モデルのアブレーション研究により実証した。
  論文  参考訳（メタデータ） (2024-07-01T16:09:07Z)
• COSST: Multi-organ Segmentation with Partially Labeled Datasets Using Comprehensive Supervisions and Self-training [15.639976408273784]
  ディープラーニングモデルは、マルチ組織セグメンテーションにおいて顕著な成功を収めてきたが、典型的には、興味のあるすべての器官に注釈を付けた大規模なデータセットを必要とする。 利用可能な部分ラベル付きデータセットの統一モデルを学習して、そのシナジスティックなポテンシャルを活用する方法については、調査が不可欠である。 COSSTと呼ばれる新しい2段階のフレームワークを提案し、このフレームワークは包括的監視信号と自己学習を効果的に効率的に統合する。
  論文  参考訳（メタデータ） (2023-04-27T08:55:34Z)
• Collaborative Intelligence Orchestration: Inconsistency-Based Fusion of Semi-Supervised Learning and Active Learning [60.26659373318915]
  アクティブラーニング(AL)と半教師付きラーニング(SSL)は2つの効果があるが、しばしば孤立している。 本稿では、SSL-ALの潜在的な優位性をさらに調査するために、革新的な一貫性に基づく仮想aDvErialアルゴリズムを提案する。 2つの実世界のケーススタディは、提案したデータサンプリングアルゴリズムの適用と展開の実践的な産業価値を可視化する。
  論文  参考訳（メタデータ） (2022-06-07T13:28:43Z)
• Unsupervised Domain Adaptive Salient Object Detection Through Uncertainty-Aware Pseudo-Label Learning [104.00026716576546]
  そこで本研究では,手動のアノテーションを使わずに,自然に高いピクセルラベル品質を有する合成・クリーンなラベルから,サリエンスを学習することを提案する。 提案手法は,複数のベンチマークデータセット上で,既存の最先端の深層教師なしSOD法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-02-26T16:03:55Z)
• Information Symmetry Matters: A Modal-Alternating Propagation Network for Few-Shot Learning [118.45388912229494]
  未ラベルサンプルの欠落した意味情報を補うために,モーダル代替伝搬ネットワーク (MAP-Net) を提案する。 我々は,情報伝達がより有益になるように,セマンティクスを介して視覚的関係ベクトルを誘導するリレーガイダンス(RG)戦略を設計する。 提案手法は有望な性能を達成し,最先端の手法よりも優れる。
  論文  参考訳（メタデータ） (2021-09-03T03:43:53Z)
• Confidence-guided Lesion Mask-based Simultaneous Synthesis of Anatomic and Molecular MR Images in Patients with Post-treatment Malignant Gliomas [65.64363834322333]
  信頼性ガイドSAMR(CG-SAMR)は、病変情報からマルチモーダル解剖学的配列にデータを合成する。 モジュールは中間結果に対する信頼度測定に基づいて合成をガイドする。 実際の臨床データを用いた実験により,提案モデルが最先端の合成法よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-08-06T20:20:22Z)
• Adversarial Feature Hallucination Networks for Few-Shot Learning [84.31660118264514]
  Adversarial Feature Hallucination Networks (AFHN) は条件付き Wasserstein Generative Adversarial Network (cWGAN) に基づいている。 合成された特徴の識別性と多様性を促進するために、2つの新規レギュレータがAFHNに組み込まれている。
  論文  参考訳（メタデータ） (2020-03-30T02:43:16Z)

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。