論文の概要: UCell: rethinking generalizability and scaling of bio-medical vision models

• arxiv url: http://arxiv.org/abs/2604.00243v1
• Date: Tue, 31 Mar 2026 21:13:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:31.72688
• Title: UCell: rethinking generalizability and scaling of bio-medical vision models
• Title（参考訳）: UCell: バイオメディカルビジョンモデルの一般化可能性とスケーリングを再考する
• Authors: Nicholas Kuang, Vanessa Scalon, Ji Yu,
• Abstract要約: UCellは、顕微鏡画像データのみを用いて、ゼロから訓練できることを示す。 また,ユセルの適応性についても,広範囲な単発および数発の微調整実験を行うことで検証した。
• 参考スコア（独自算出の注目度）: 2.4469484645516837
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The modern deep learning field is a scale-centric one. Larger models have been shown to consistently perform better than smaller models of similar architecture. In many sub-domains of biomedical research, however, the model scaling is bottlenecked by the amount of available training data, and the high cost associated with generating and validating additional high quality data. Despite the practical hurdle, the majority of the ongoing research still focuses on building bigger foundation models, whereas the alternative of improving the ability of small models has been under-explored. Here we experiment with building models with 10-30M parameters, tiny by modern standards, to perform the single-cell segmentation task. An important design choice is the incorporation of a recursive structure into the model's forward computation graph, leading to a more parameter-efficient architecture. We found that for the single-cell segmentation, on multiple benchmarks, our small model, UCell, matches the performance of models 10-20 times its size, and with a similar generalizability to unseen out-of-domain data. More importantly, we found that ucell can be trained from scratch using only a set of microscopy imaging data, without relying on massive pretraining on natural images, and therefore decouples the model building from any external commercial interests. Finally, we examined and confirmed the adaptability of ucell by performing a wide range of one-shot and few-shot fine tuning experiments on a diverse set of small datasets. Implementation is available at https://github.com/jiyuuchc/ucell
• Abstract（参考訳）: 現代のディープラーニングの分野はスケール中心だ。 より大規模なモデルは、同様のアーキテクチャのより小さなモデルよりも一貫して優れた性能を示すことが示されている。 しかし、多くの生物医学研究のサブドメインでは、モデルスケーリングは、利用可能なトレーニングデータの量と、追加の高品質データの生成と検証に関連する高コストによってボトルネックとなる。 実際のハードルにもかかわらず、現在進行中の研究の大部分は、より大きな基礎モデルの構築に焦点を当てている。 ここでは,10～30Mのパラメータを持つモデルの構築実験を行い,単一セル分割処理を行う。 重要な設計上の選択は、モデルの前方計算グラフに再帰的構造を組み込むことであり、よりパラメータ効率の良いアーキテクチャをもたらす。 シングルセルセグメンテーションでは、複数のベンチマークで、我々の小さなモデルUCellが10～20倍のサイズのモデルの性能と一致し、ドメイン外のデータを見るのに類似した一般化性を持つことがわかった。 さらに重要なことは、ucellは、自然画像の大量事前学習に頼ることなく、顕微鏡画像データのみを使用して、ゼロからトレーニングできるため、外部の商業的関心事からモデルビルディングを分離できることである。 最後に,ユセルの適応性について,多種多様な小データセットに対して,幅広い一発および数発の微調整実験を行うことにより検証した。 実装はhttps://github.com/jiyuuchc/ucellで公開されている。

関連論文リスト

• Benchmarking Foundation Models for Mitotic Figure Classification [0.37334049820361814]
  自己教師付き学習技術は、大規模なニューラルネットワークのトレーニングに大量のラベルのないデータを使用することを可能にした。 本研究では,ミオティックフィギュア分類における基礎モデルの利用について検討する。 我々は、すべてのモデルと、CNNとVision Transformerの両方のエンドツーエンドトレーニングベースラインを比較した。
  論文  参考訳（メタデータ） (2025-08-06T13:30:40Z)
• Evaluating Cell AI Foundation Models in Kidney Pathology with Human-in-the-Loop Enrichment [10.348148741828131]
  AI基盤モデルのトレーニングは、現実の医療課題に対処するための、有望な大規模学習アプローチとして登場した。 これらのモデルの多くは、疾患の診断や組織定量化などのタスクのために開発されたが、単一の臓器内の核分割のような最も単純なタスクに展開するための準備が整っていないことは確かである。 本稿では、最近の細胞基盤モデルの性能をキュレートされたデータセット上で徹底的に評価することにより、この重要な疑問である「我々はどのくらい良いのか?」に答えようとしている。
  論文  参考訳（メタデータ） (2024-10-31T17:00:33Z)
• Enabling Small Models for Zero-Shot Selection and Reuse through Model Label Learning [50.68074833512999]
  モデルと機能の間のギャップを埋める新しいパラダイムであるモデルラベル学習(MLL)を導入する。 7つの実世界のデータセットの実験により、MLLの有効性と効率が検証された。
  論文  参考訳（メタデータ） (2024-08-21T09:08:26Z)
• PerturBench: Benchmarking Machine Learning Models for Cellular Perturbation Analysis [8.785345412061792]
  摂動に対する単一細胞転写応答をモデル化するための包括的枠組みを提案する。 私たちのアプローチには、モジュラーでユーザフレンドリなモデル開発と評価プラットフォームが含まれています。 モード崩壊など、広く使われているモデルの限界を強調します。
  論文  参考訳（メタデータ） (2024-08-20T07:40:20Z)
• Universal Domain Adaptation from Foundation Models: A Baseline Study [58.51162198585434]
  基礎モデルを用いた最先端UniDA手法の実証的研究を行った。 CLIPモデルからターゲット知識を抽出するためのパラメータフリーな手法であるtextitCLIP 蒸留を導入する。 単純な手法ではあるが、ほとんどのベンチマークタスクでは従来の手法よりも優れている。
  論文  参考訳（メタデータ） (2023-05-18T16:28:29Z)
• Dataless Knowledge Fusion by Merging Weights of Language Models [47.432215933099016]
  微調整された事前学習言語モデルは、下流のNLPモデルを構築するための主要なパラダイムとなっている。 これは、より優れた単一モデルを生み出すために、個々のモデル間で知識を融合させる障壁を生み出します。 パラメータ空間のモデルをマージするデータレス知識融合法を提案する。
  論文  参考訳（メタデータ） (2022-12-19T20:46:43Z)
• CCRL: Contrastive Cell Representation Learning [0.0]
  本稿では,H&Eスライドにおけるセル識別のためのコントラストセル表現学習(CCRL)モデルを提案する。 このモデルは、組織の種類によって異なる2つのデータセットにまたがる大きなマージンで、現在利用可能なすべてのセルクラスタリングモデルより優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-12T18:12:03Z)
• Enforcing Morphological Information in Fully Convolutional Networks to Improve Cell Instance Segmentation in Fluorescence Microscopy Images [1.408123603417833]
  本稿では,よく知られたU-Netアーキテクチャに基づく新しいセルインスタンス分割手法を提案する。 深部距離変換器(DDT)がバックボーンモデルとして機能する。 その結果,従来のU-Netアーキテクチャよりも性能が向上することが示唆された。
  論文  参考訳（メタデータ） (2021-06-10T15:54:38Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
  被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。 グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。 まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
  論文  参考訳（メタデータ） (2020-06-11T17:29:53Z)

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。