論文の概要: Boundary-Aware Instance Segmentation in Microscopy Imaging

• arxiv url: http://arxiv.org/abs/2603.21206v1
• Date: Sun, 22 Mar 2026 12:59:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.291307
• Title: Boundary-Aware Instance Segmentation in Microscopy Imaging
• Title（参考訳）: 顕微鏡画像における境界認識インスタンスセグメンテーション
• Authors: Thomas Mendelson, Joshua Francois, Galit Lahav, Tammy Riklin-Raviv,
• Abstract要約: 本稿では,二項マスクの代わりに符号付き距離関数(SDF)を予測する,プロンプトフリーでバウンダリ対応のインスタンスセグメンテーションフレームワークを提案する。 学習されたシグモイド写像は、SDFを確率写像に変換し、鋭い境界ローカライゼーションをもたらす。 訓練は、統一されたハウスドルフ距離(MHD)の喪失によって導かれる。
• 参考スコア（独自算出の注目度）: 4.853153612241331
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate delineation of individual cells in microscopy videos is essential for studying cellular dynamics, yet separating touching or overlapping instances remains a persistent challenge. Although foundation-model for segmentation such as SAM have broadened the accessibility of image segmentation, they still struggle to separate nearby cell instances in dense microscopy scenes without extensive prompting. We propose a prompt-free, boundary-aware instance segmentation framework that predicts signed distance functions (SDFs) instead of binary masks, enabling smooth and geometry-consistent modeling of cell contours. A learned sigmoid mapping converts SDFs into probability maps, yielding sharp boundary localization and robust separation of adjacent instances. Training is guided by a unified Modified Hausdorff Distance (MHD) loss that integrates region- and boundary-based terms. Evaluations on both public and private high-throughput microscopy datasets demonstrate improved boundary accuracy and instance-level performance compared to recent SAM-based and foundation-model approaches. Source code is available at: https://github.com/ThomasMendelson/BAISeg.git
• Abstract（参考訳）: 顕微鏡ビデオにおける個々の細胞の正確なデライン化は細胞力学の研究に不可欠であるが、触れたり重なり合うインスタンスを分離することは永続的な課題である。 SAMのようなセグメンテーションの基礎モデルは、画像セグメンテーションのアクセシビリティを拡大してきたが、それでも広範囲のプロンプトを伴わずに、高密度の顕微鏡撮影シーンにおける近くのセルインスタンスの分離に苦慮している。 本稿では,二元マスクの代わりに符号付き距離関数(SDF)を予測し,セル輪郭のスムーズかつ幾何整合性モデリングを可能にする,プロンプトフリーでバウンダリ対応のインスタンスセグメンテーションフレームワークを提案する。 学習されたシグモイド写像は、SDFを確率写像に変換し、鋭い境界局在化と隣接するインスタンスの堅牢な分離をもたらす。 訓練は、地域と境界に基づく用語を統合する統一された修正ハウスドルフ距離(MHD)損失によって導かれる。 パブリックおよびプライベート両方の高スループット顕微鏡データセットの評価は、最近のSAMベースおよび基礎モデルアプローチと比較して境界精度とインスタンスレベルの性能が改善されている。 ソースコードは、https://github.com/ThomasMendelson/BAISeg.gitで入手できる。

関連論文リスト

• Evaluating SAM2 for Video Semantic Segmentation [60.157605818225186]
  Anything Model 2 (SAM2)は、画像とビデオの両方において、迅速な視覚オブジェクトのセグメンテーションのための強力な基盤モデルであることが証明されている。 本稿では, SAM2 から高密度ビデオセマンティック (VSS) への拡張について検討する。 我々の実験は、SAM2を利用することでVSSの全体的な性能が向上することを示唆している。
  論文  参考訳（メタデータ） (2025-12-01T15:15:16Z)
• DiffAtlas: GenAI-fying Atlas Segmentation via Image-Mask Diffusion [47.43502676919903]
  DiffAtlasは、トレーニング中の拡散を通じて画像とマスクの両方をモデル化する新しい生成フレームワークである。 テスト中、モデルはガイドされ、特定のターゲット画像マスク対を生成し、そこから対応するマスクを得る。 提案手法は既存の手法,特に限定データとゼロショットのモダリティのセグメンテーションにおいて優れる。
  論文  参考訳（メタデータ） (2025-03-09T20:06:40Z)
• View-Consistent Hierarchical 3D Segmentation Using Ultrametric Feature Fields [52.08335264414515]
  我々は3次元シーンを表すニューラル・レージアンス・フィールド(NeRF)内の新しい特徴場を学習する。 本手法は、ビュー一貫性の多粒性2Dセグメンテーションを入力とし、3D一貫性のセグメンテーションの階層構造を出力として生成する。 提案手法と,多視点画像と多粒性セグメンテーションを用いた合成データセットのベースラインの評価を行い,精度と視点整合性を向上したことを示す。
  論文  参考訳（メタデータ） (2024-05-30T04:14:58Z)
• Skeleton-Guided Instance Separation for Fine-Grained Segmentation in Microscopy [23.848474219551818]
  顕微鏡(MS)画像解析における基本的な課題の1つは、インスタンスセグメンテーション(IS)である。 我々は,この課題に対処し,MS画像におけるISの精度を高めるために,A2B-ISという新しいワンステージフレームワークを提案する。 提案手法は2つの大規模MSデータセットに対して徹底的に検証されている。
  論文  参考訳（メタデータ） (2024-01-18T11:14:32Z)
• Unsupervised Learning of Object-Centric Embeddings for Cell Instance Segmentation in Microscopy Images [3.039768384237206]
  オブジェクト中心埋め込み(OCE)を導入する。 OCEはイメージパッチを埋め込み、同じオブジェクトから取得したパッチ間のオフセットが保存される。 画像パッチ間の空間オフセットを予測する自己教師型タスクにより,OCEを学習できることを理論的に示す。
  論文  参考訳（メタデータ） (2023-10-12T16:59:50Z)
• iSDF: Real-Time Neural Signed Distance Fields for Robot Perception [64.80458128766254]
  iSDFは実時間符号付き距離場再構成のための連続学習システムである。 より正確な再構築と、衝突コストと勾配のより良い近似を生成する。
  論文  参考訳（メタデータ） (2022-04-05T15:48:39Z)
• Sparse Instance Activation for Real-Time Instance Segmentation [72.23597664935684]
  本稿では,リアルタイムインスタンスセグメンテーションのための概念的・効率的・完全畳み込み型フレームワークを提案する。 SparseInstは非常に高速な推論速度を持ち、COCOベンチマークで40 FPSと37.9 APを達成した。
  論文  参考訳（メタデータ） (2022-03-24T03:15:39Z)
• SIMstack: A Generative Shape and Instance Model for Unordered Object Stacks [38.042876641457255]
  物理シミュレーションにより積み上げられた物体のデータセットに訓練された深度条件付き可変オートエンコーダ(VAE)を提案する。 インスタンスセグメンテーションは、クラスに依存しない検出を可能にし、シーン内のオブジェクトの最大数を設定する必要がないセンター投票タスクとして定式化します。 本手法は,ロボットに部分的に観察されたシーンを素早く直感的に推論する能力を与えるための実用的応用である。
  論文  参考訳（メタデータ） (2021-03-30T15:42:43Z)
• Split and Expand: An inference-time improvement for Weakly Supervised Cell Instance Segmentation [71.50526869670716]
  本研究では,分割マップのインスタンスへの変換を改善するために,2段階の後処理手順であるSplitとExpandを提案する。 Splitのステップでは,セルの集合をセグメント化マップから個々のセルインスタンスに分割し,セル中心の予測を導出する。 拡張ステップでは、細胞中心予測を用いて、小さな細胞が欠落していることが分かる。
  論文  参考訳（メタデータ） (2020-07-21T14:05:09Z)

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。