論文の概要: Cluster-First Labelling: An Automated Pipeline for Segmentation and Morphological Clustering in Histology Whole Slide Images

• arxiv url: http://arxiv.org/abs/2604.09370v1
• Date: Fri, 10 Apr 2026 14:40:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 17:57:53.912297
• Title: Cluster-First Labelling: An Automated Pipeline for Segmentation and Morphological Clustering in Histology Whole Slide Images
• Title（参考訳）: クラスタファーストラベリング:スライディング画像におけるセグメンテーションと形態クラスタリングのための自動パイプライン
• Authors: Muhammad Haseeb Ahmad, Sharmila Rajendran, Damion Young, Jon Mason,
• Abstract要約: スライド画像全体において組織成分をラベル付けするための,クラウドネイティブなエンドツーエンドパイプラインを提案する。 我々のシステムは貴重な情報を含まないと思われるタイルをフィルタリングする。 組織成分をCellpose-SAMでセグメンテーションし、事前訓練されたResNet-50を介して神経埋め込みを抽出し、UMAPによる次元性を減少させ、DBSCANクラスタリングを用いて形態学的に類似したオブジェクトをグループ化する。 本システムでは, 96.8%の重み付きクラスタラベルアライメント精度を達成し, 組織タイプ13種中7種が完全一致した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Labelling tissue components in histology whole slide images (WSIs) is prohibitively labour-intensive: a single slide may contain tens of thousands of structures--cells, nuclei, and other morphologically distinct objects--each requiring manual boundary delineation and classification. We present a cloudnative, end-to-end pipeline that automates this process through a cluster-first paradigm. Our system tiles WSIs, filters out tiles deemed unlikely to contain valuable information, segments tissue components with Cellpose-SAM (including cells, nuclei, and other morphologically similar structures), extracts neural embeddings via a pretrained ResNet-50, reduces dimensionality with UMAP, and groups morphologically similar objects using DBSCAN clustering. Under this paradigm, a human annotator labels representative clusters rather than individual objects, reducing annotation effort by orders of magnitude. We evaluate the pipeline on 3,696 tissue components across 13 diverse tissue types from three species (human, rat, rabbit), measuring how well unsupervised clusters align with independent human labels via per-tile Hungarian-algorithm matching. Our system achieves a weighted cluster-label alignment accuracy of 96.8%, with 7 of 13 tissue types reaching perfect agreement. The pipeline, a companion labelling web application, and all evaluation code are released as open-source software.
• Abstract（参考訳）: 組織成分を組織学全体像(WSI)に遅延させることは、労働集約的であり、単一のスライドは、細胞、核、その他の形態学的に異なる物体を含む可能性がある。 私たちは、クラスタファーストのパラダイムを通じて、このプロセスを自動化したクラウドネイティブなエンドツーエンドパイプラインを紹介します。 システムタイルはWSIを抽出し, 貴重な情報を含まないと考えられるタイルを抽出し, 組織成分をCellpose-SAM(細胞, 核, その他の形態的に類似した構造を含む)で分画し, 事前訓練されたResNet-50を介して神経埋め込みを抽出し, UMAPによる次元性を低減し, DBSCANクラスタリングを用いて形態的に類似したオブジェクトをグループ化する。 このパラダイムの下では、人間のアノテータは個々のオブジェクトよりも代表的なクラスタをラベル付けし、桁違いのアノテーションの労力を減らす。 3種(ヒト,ラット,ウサギ)の組織タイプ13種にまたがる3,696種の組織成分に対するパイプラインの評価を行った。 本システムでは, 96.8%の重み付きクラスタラベルアライメント精度を達成し, 組織タイプ13種中7種が完全一致した。 パイプライン、Webアプリケーションのラベリング、およびすべての評価コードは、オープンソースソフトウェアとしてリリースされている。

関連論文リスト

• ε-Seg: Sparsely Supervised Semantic Segmentation of Microscopy Data [6.617593699054488]
  epsilon-Segは階層的変動オートエンコーダ(HVAE)に基づく方法である 中心領域マスキング、ラベルコントラスト学習(CL)、ガウス混合モデル(GMM)、クラスタリングフリーラベル予測を取り入れたepsilon-Segを紹介する。 以上の結果から,エプシロンセグは複雑な生体画像データに対して,厳密に制御されたセグメンテーションの結果を得ることが可能であることが示唆された。
  論文  参考訳（メタデータ） (2025-10-21T13:41:07Z)
• Scalable Whole Slide Image Representation Using K-Mean Clustering and Fisher Vector Aggregation [2.822194296769473]
  全体スライド画像(WSI)は高解像度でギガサイズの画像であり、計算上の課題を生じさせる。 本稿では、パッチベースの特徴抽出、クラスタリング、およびFisherエンコーディングを活用して、WSI分類のためのスケーラブルで効率的な手法を提案する。 本手法は局所組織構造と大域組織構造を抽出し, 大規模WSI分類におけるロバストな性能を示す。
  論文  参考訳（メタデータ） (2025-01-21T12:22:15Z)
• UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
  ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。 異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。 特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
  論文  参考訳（メタデータ） (2024-02-20T11:50:27Z)
• Generalized Category Discovery with Clustering Assignment Consistency [56.92546133591019]
  一般化圏発見(GCD)は、最近提案されたオープンワールドタスクである。 クラスタリングの一貫性を促進するための協調学習ベースのフレームワークを提案する。 提案手法は,3つの総合的なベンチマークと3つのきめ細かい視覚認識データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-10-30T00:32:47Z)
• Revisiting Instance-Optimal Cluster Recovery in the Labeled Stochastic Block Model [85.51611950757643]
  IAC (Instance-Adaptive Clustering, インスタンス適応クラスタリング) を提案する。 IACは$ MathcalO(n, textpolylog(n) $の計算複雑性を維持しており、大規模問題に対してスケーラブルで実用的なものである。
  論文  参考訳（メタデータ） (2023-06-18T08:46:06Z)
• Domain Adaptive Nuclei Instance Segmentation and Classification via Category-aware Feature Alignment and Pseudo-labelling [65.40672505658213]
  本稿では, UDA 核インスタンス分割と分類のための新しいディープニューラルネットワークである Category-Aware 機能アライメントと Pseudo-Labelling Network (CAPL-Net) を提案する。 我々のアプローチは、最先端のUDA手法よりも顕著なマージンで優れています。
  論文  参考訳（メタデータ） (2022-07-04T07:05:06Z)
• Glo-In-One: Holistic Glomerular Detection, Segmentation, and Lesion Characterization with Large-scale Web Image Mining [5.786726927985774]
  我々はGlo-In-Oneツールキットを開発し、一行のコマンドで全体的球状検出、セグメンテーション、キャラクタリゼーションを実現する。 我々は,自己教師型ディープラーニングのアルゴリズム開発を促進するために,3万枚の未ラベルの球面画像の大規模なコレクションをリリースする。
  論文  参考訳（メタデータ） (2022-05-31T21:22:10Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• Compositional Clustering: Applications to Multi-Label Object Recognition and Speaker Identification [19.470445399577265]
  本稿では,クラスタが構成的関係を持つことのできる,新たなクラスタリングタスクについて考察する。 サンプルをコヒーレントなグループに分割し,構成構造を推定できる3つの新しいアルゴリズムを提案する。 本研究は,複数話者からの同時発話によるオープンワールド多ラベル物体認識と話者識別・ダイアリゼーションへの応用について述べる。
  論文  参考訳（メタデータ） (2021-09-09T10:42:14Z)
• Weakly Supervised 3D Classification of Chest CT using Aggregated Multi-Resolution Deep Segmentation Features [5.938730586521215]
  CT画像の病巣分類は, 症例レベルのアノテーションが原因で, 局所性に乏しい。 マルチレゾリューション・セグメンテーション・フィーチャーマップを用いて学習した意味構造概念を活用する医療分類器を提案する。
  論文  参考訳（メタデータ） (2020-10-31T00:16:53Z)
• LSD-C: Linearly Separable Deep Clusters [145.89790963544314]
  ラベルなしデータセットのクラスタを識別する新しい手法であるLSD-Cを提案する。 本手法は,最近の半教師付き学習の実践からインスピレーションを得て,クラスタリングアルゴリズムと自己教師付き事前学習と強力なデータ拡張を組み合わせることを提案する。 CIFAR 10/100, STL 10, MNIST, および文書分類データセットReuters 10Kなど, 一般的な公開画像ベンチマークにおいて, 当社のアプローチが競合より大幅に優れていたことを示す。
  論文  参考訳（メタデータ） (2020-06-17T17:58:10Z)

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。