論文の概要: Self-supervised Pretraining of Cell Segmentation Models

• arxiv url: http://arxiv.org/abs/2604.10609v1
• Date: Sun, 12 Apr 2026 12:29:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.131314
• Title: Self-supervised Pretraining of Cell Segmentation Models
• Title（参考訳）: セルセグメンテーションモデルの自己教師付き事前学習
• Authors: Kaden Stillwagon, Alexandra Dunnum VandeLoo, Benjamin Magondu, Craig R. Forest,
• Abstract要約: セルインスタンスセグメンテーションのための自己教師型フレームワークであるDINOCellを提案する。 DINOv2からの表現を顕微鏡に適応させ、ラベルのない細胞画像に対する自己監督的な訓練を継続する。 LIVECellベンチマークでは、DINOCellのSEGスコアは0.784で、SAMベースのモデルよりも10.42%向上している。
• 参考スコア（独自算出の注目度）: 37.09823149373976
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Instance segmentation enables the analysis of spatial and temporal properties of cells in microscopy images by identifying the pixels belonging to each cell. However, progress is constrained by the scarcity of high-quality labeled microscopy datasets. Many recent approaches address this challenge by initializing models with segmentation-pretrained weights from large-scale natural-image models such as Segment Anything Model (SAM). However, representations learned from natural images often encode objectness and texture priors that are poorly aligned with microscopy data, leading to degraded performance under domain shift. We propose DINOCell, a self-supervised framework for cell instance segmentation that leverages representations from DINOv2 and adapts them to microscopy through continued self-supervised training on unlabeled cell images prior to supervised fine-tuning. On the LIVECell benchmark, DINOCell achieves a SEG score of 0.784, improving by 10.42% over leading SAM-based models, and demonstrates strong zero-shot performance on three out-of-distribution microscopy datasets. These results highlight the benefits of domain-adapted self-supervised pretraining for robust cell segmentation.
• Abstract（参考訳）: インスタンスセグメンテーションは、各セルに属するピクセルを識別することにより、顕微鏡画像中の細胞の空間的および時間的特性の分析を可能にする。 しかし、進行は高品質なラベル付き顕微鏡データセットの不足によって制限されている。 近年,Segment Anything Model (SAM) のような大規模自然像モデルから,分割事前重み付きモデルを初期化することによって,この問題に対処している。 しかし、自然画像から学んだ表現は、しばしば、顕微鏡データに不整合なオブジェクトやテクスチャの先行を符号化し、ドメインシフト時の性能低下につながる。 本稿では,DINOv2の表現を利用したセル・インスタンス・セグメンテーションのための自己組織化フレームワークであるDINOCellを提案する。 LIVECellベンチマークでは、DINOCellのSEGスコアは0.784で、SAMベースのモデルよりも10.42%向上し、3つのアウト・オブ・ディストリビューション・マイクロスコープ・データセットに対して強力なゼロショット性能を示している。 これらの結果は、堅牢な細胞セグメンテーションのためのドメイン適応型自己教師付きプレトレーニングの利点を浮き彫りにした。

関連論文リスト

• Generalization of Self-Supervised Vision Transformers for Protein Localization Across Microscopy Domains [0.254890465057467]
  自己教師付き学習(SSL)は、大規模なラベルなしデータセットで事前トレーニングすることで、これを緩和することができる。 我々は、ImageNet-1k、Human Protein Atlas(HPA)、OpenCellで事前訓練された3つのDINOバックボーンを用いて画像埋め込みを生成する。 すべての事前訓練されたモデルは、顕微鏡固有のHPA事前訓練モデルにより、最高の性能を達成する。
  論文  参考訳（メタデータ） (2026-02-05T10:39:00Z)
• CellSeg1: Robust Cell Segmentation with One Training Image [37.60000299559688]
  任意の形態とモダリティの細胞をセグメント化するためのソリューションであるCellSeg1について,数ダースのセルアノテーションを1イメージで紹介する。 19の多様なセルデータセットでテストされ、CellSeg1は1枚の画像でトレーニングされ、0.5 IoUで平均平均mAP0.81に達し、500枚以上の画像でトレーニングされた既存のモデルと同等に動作した。
  論文  参考訳（メタデータ） (2024-12-02T11:55:22Z)
• Multi-Modal and Multi-Attribute Generation of Single Cells with CFGen [76.02070962797794]
  本研究では、単一セルデータ固有の離散性を保存するフローベースの条件生成モデルであるCellFlow for Generation (CFGen)を紹介する。 CFGenは、全ゲノムマルチモーダル単一セルデータを確実に生成し、重要な生物学的データ特性の回復を改善する。
  論文  参考訳（メタデータ） (2024-07-16T14:05:03Z)
• Practical Guidelines for Cell Segmentation Models Under Optical Aberrations in Microscopy [14.042884268397058]
  本研究は,光収差下でのセル画像のセグメンテーションモデルについて,蛍光顕微鏡と光電場顕微鏡を用いて評価する。 ネットワークヘッドの異なるOstoしきい値法やMask R-CNNなどのセグメンテーションモデルをトレーニングし,テストする。 対照的に、Cellpose 2.0は同様の条件下で複雑な細胞画像に有効であることが証明されている。
  論文  参考訳（メタデータ） (2024-04-12T15:45:26Z)
• Mixed Models with Multiple Instance Learning [51.440557223100164]
  一般化線形混合モデル(GLMM)とMultiple Instance Learning(MIL)を統合するフレームワークであるMixMILを紹介する。 実験結果から,MixMILは単一セルデータセットにおいて既存のMILモデルより優れていることがわかった。
  論文  参考訳（メタデータ） (2023-11-04T16:42:42Z)
• Multi-stream Cell Segmentation with Low-level Cues for Multi-modality Images [66.79688768141814]
  我々は,顕微鏡画像のラベル付けを行うセル分類パイプラインを開発した。 次に、分類ラベルに基づいて分類モデルを訓練する。 2種類のセグメンテーションモデルを、丸みを帯びた形状と不規則な形状のセグメンテーションセルに展開する。
  論文  参考訳（メタデータ） (2023-10-22T08:11:08Z)
• Advanced Multi-Microscopic Views Cell Semi-supervised Segmentation [0.0]
  深層学習(DL)は細胞セグメンテーションタスクにおいて強力なポテンシャルを示すが、一般化が不十分である。 本稿では,Multi-Microscopic-view Cell semi-supervised (MMCS) と呼ばれる,新しい半教師付き細胞分割法を提案する。 MMCSは、マイクロスコープの異なる低ラベルの多姿勢細胞画像を用いて、細胞セグメンテーションモデルを訓練することができる。 F1スコアは0.8239であり、全てのケースのランニング時間は許容時間の範囲内である。
  論文  参考訳（メタデータ） (2023-03-21T08:08:13Z)
• 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。