論文の概要: SegMix:Shuffle-based Feedback Learning for Semantic Segmentation of Pathology Images

• arxiv url: http://arxiv.org/abs/2604.15777v1
• Date: Fri, 17 Apr 2026 07:33:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.793297
• Title: SegMix:Shuffle-based Feedback Learning for Semantic Segmentation of Pathology Images
• Title（参考訳）: SegMix:Shuffle-based Feedback Learning for Semantic Segmentation of Pathology Images
• Authors: Zhiling Yan, Sicheng Chen, Tianyi Zhang, Nan Ying, Yanli Lei, Guanglei Zhang,
• Abstract要約: カリキュラム学習にインスパイアされたシャッフルに基づくフィードバック学習手法を提案し,高品質な擬似セマンティック・セグメンテーションマスクを生成する。 実験の結果,提案手法は3つの異なるデータセットにおいて最先端の手法よりも優れていることがわかった。
• 参考スコア（独自算出の注目度）: 6.139957222494142
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Segmentation is a critical task in computational pathology, as it identifies areas affected by disease or abnormal growth and is essential for diagnosis and treatment. However, acquiring high-quality pixel-level supervised segmentation data requires significant workload demands from experienced pathologists, limiting the application of deep learning. To overcome this challenge, relaxing the label conditions to image-level classification labels allows for more data to be used and more scenarios to be enabled. One approach is to leverage Class Activation Map (CAM) to generate pseudo pixel-level annotations for semantic segmentation with only image-level labels. However, this method fails to thoroughly explore the essential characteristics of pathology images, thus identifying only small areas that are insufficient for pseudo masking. In this paper, we propose a novel shuffle-based feedback learning method inspired by curriculum learning to generate higher-quality pseudo-semantic segmentation masks. Specifically, we perform patch level shuffle of pathology images, with the model adaptively adjusting the shuffle strategy based on feedback from previous learning. Experimental results demonstrate that our proposed approach outperforms state-of-the-arts on three different datasets.
• Abstract（参考訳）: セグメンテーションは、疾患や異常な成長によって影響を受ける領域を識別し、診断と治療に不可欠であるため、計算病理学において重要な課題である。 しかし、高品質なピクセルレベルの教師付きセグメンテーションデータを取得するには、経験豊富な病理医によるかなりの作業負荷が必要であり、ディープラーニングの適用が制限される。 この課題を克服するため、ラベル条件をイメージレベルの分類ラベルに緩和することで、より多くのデータを使用し、より多くのシナリオを有効にすることができる。 1つのアプローチは、クラスアクティベーションマップ(CAM)を活用して、イメージレベルのラベルだけでセマンティックセグメンテーションのための擬似ピクセルレベルのアノテーションを生成することである。 しかし, この手法は病理画像の本質的特徴を徹底的に探求することができないため, 疑似マスキングには不十分な小領域のみを同定する。 本稿では,カリキュラム学習にインスパイアされたシャッフルに基づくフィードバック学習手法を提案する。 具体的には、過去の学習からのフィードバックに基づいてシャッフル戦略を適応的に調整するモデルを用いて、病理画像のパッチレベルシャッフルを実行する。 実験の結果,提案手法は3つの異なるデータセットにおいて最先端の手法よりも優れていることがわかった。

関連論文リスト

• PathSegDiff: Pathology Segmentation using Diffusion model representations [63.20694440934692]
  そこで我々は,Latent Diffusion Models (LDMs) を事前学習した特徴抽出器として活用する,病理組織像分割の新しい手法であるPathSegDiffを提案する。 本手法は,H&E染色組織像から多彩な意味情報を抽出するために,自己教師型エンコーダによって誘導される病理特異的LCMを用いる。 本実験は,BCSSおよびGlaSデータセットにおける従来の手法よりも大幅に改善されたことを示す。
  論文  参考訳（メタデータ） (2025-04-09T14:58:21Z)
• Semi-Supervised Biomedical Image Segmentation via Diffusion Models and Teacher-Student Co-Training [7.915123555266876]
  セマンティックセグメンテーションの深層学習は, 医用画像の解剖学的, 病理学的構造を正確に同定する上で, 優れた成果を上げている。 多くの場合、大きなアノテートされたトレーニングデータセットを必要とするため、臨床環境でのスケーラビリティが制限される。 本稿では, バイオメディカルイメージセグメンテーションのための半教師型教員学生フレームワークについて紹介する。
  論文  参考訳（メタデータ） (2025-04-02T09:41:43Z)
• COIN: Counterfactual inpainting for weakly supervised semantic segmentation for medical images [3.5418498524791766]
  本研究は, 新規なカウンターファクト・インパインティング・アプローチ(COIN)の開発である。 COINは、予測された分類ラベルを生成モデルを用いて異常から正常に反転させる。 本手法の有効性は,エストニアのタルツ大学病院から取得したCT画像から,合成標的と実際の腎腫瘍を分離することによって実証される。
  論文  参考訳（メタデータ） (2024-04-19T12:09:49Z)
• Semi-Supervised Semantic Segmentation Based on Pseudo-Labels: A Survey [49.47197748663787]
  本総説は, 半教師付きセマンティックセグメンテーション分野における擬似ラベル手法に関する最新の研究成果について, 包括的かつ組織的に概観することを目的としている。 さらに,医用およびリモートセンシング画像のセグメンテーションにおける擬似ラベル技術の適用について検討する。
  論文  参考訳（メタデータ） (2024-03-04T10:18:38Z)
• Weakly supervised segmentation with point annotations for histopathology images via contrast-based variational model [7.021021047695508]
  病理組織像のセグメンテーション結果を生成するためのコントラストモデルを提案する。 本手法は,病理組織像における対象領域の共通特性を考察し,エンドツーエンドで訓練することができる。 より地域的に一貫性があり、スムーズな境界セグメンテーションを生成することができ、未ラベルの新規領域に対してより堅牢である。
  論文  参考訳（メタデータ） (2023-04-07T10:12:21Z)
• PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
  医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。 本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
  論文  参考訳（メタデータ） (2022-07-24T07:45:47Z)
• Uncertainty guided semi-supervised segmentation of retinal layers in OCT images [4.046207281399144]
  セグメンテーションネットワークを訓練する学生・教師のアプローチに基づく,新しい不確実性誘導半教師学習を提案する。 提案するフレームワークは,様々な画像モダリティにまたがるバイオメディカルイメージセグメンテーションに有効である。
  論文  参考訳（メタデータ） (2021-03-02T23:14:25Z)
• Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
  胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。 また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
  論文  参考訳（メタデータ） (2020-07-21T14:37:00Z)
• Manifold-driven Attention Maps for Weakly Supervised Segmentation [9.289524646688244]
  本稿では,視覚的に有意な領域を強化するために,多様体駆動型注意ネットワークを提案する。 提案手法は,余分な計算を必要とせずに,推論中により優れた注意マップを生成できる。
  論文  参考訳（メタデータ） (2020-04-07T00:03:28Z)

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。