論文の概要: Semantic Segmentation for Histopathology using Learned Regularization based on Global Proportions

• arxiv url: http://arxiv.org/abs/2604.24347v1
• Date: Mon, 27 Apr 2026 11:42:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.926324
• Title: Semantic Segmentation for Histopathology using Learned Regularization based on Global Proportions
• Title（参考訳）: グローバルな分布に基づく学習正規化を用いた病理組織学のセマンティックセグメンテーション
• Authors: Yangping Li, Thomas Pinetz, Michael Hölzel, Marieta Toma, Alexander Effland,
• Abstract要約: 本稿では,大域比から高密度なセグメンテーションを推定する2段階のフレームワークであるVSLP(Label Proportions)について紹介する。 エンド・ツー・エンドのネットワークとは異なり、我々の変分法はフィデリティ・正則化エネルギーを可視化し、より解釈可能なセグメンテーションをもたらす。 既存の教師なしおよび教師なしの手法よりも優れた性能を達成し、2つの公開データセットに対するアプローチを検証する。
• 参考スコア（独自算出の注目度）: 36.19647813139097
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In pathology, the spatial distribution and proportions of tissue types are key indicators of disease progression, and are more readily available than fine-grained annotations. However, these assessments are rarely mapped to pixel-wise segmentation. The task is fundamentally underdetermined, as many spatially distinct segmentations can satisfy the same global proportions in the absence of pixel-wise constraints. To address this, we introduce Variational Segmentation from Label Proportions (VSLP), a two-stage framework that infers dense segmentations from global label proportions, without any pixel-level annotations. This framework first leverages a pre-trained transformer model with test-time augmentation to produce a pixel-wise confidence estimate. In the second stage, these estimates are fused by solving a variational optimization problem that incorporates a Wasserstein data fidelity term alongside a learned regularizer. Unlike end-to-end networks, our variational method can visualize the fidelity-regularization energy, resulting in more interpretable segmentation. We validate our approach on two public datasets, achieving superior performance over existing weakly supervised and unsupervised methods. For one of these datasets, proportions have been estimated by an experienced pathologist to provide a realistic benchmark to the community. Furthermore, the method scales to an in-house dataset with noisy pathologist labels, severely outperforming state-of-the-art methods, thereby demonstrating practical applicability. The code and data will be made publicly available upon acceptance at https://github.com/xiaoliangpi/VSLP.
• Abstract（参考訳）: 病理学では、組織型の空間分布と比率は疾患進行の重要な指標であり、微細なアノテーションよりも容易に利用できる。 しかし、これらの評価はピクセルワイドセグメンテーションにはほとんどマッピングされない。 このタスクは、多くの空間的に異なるセグメンテーションがピクセル単位の制約がない場合に同じ大域的な割合を満足できるため、根本的に過小評価されている。 これを解決するために,大域的なラベルの比率から高密度なセグメンテーションを推測する2段階のフレームワークであるVSLPを,ピクセルレベルのアノテーションを使わずに導入する。 このフレームワークはまず、テスト時間拡張を伴う事前学習されたトランスフォーマーモデルを活用して、画素単位の信頼度推定を生成する。 第2段階では、これらの推定は、学習された正規化子とともにワッサーシュタインデータ忠実度項を組み込んだ変分最適化問題を解くことで融合される。 エンド・ツー・エンドのネットワークとは異なり、我々の変分法はフィデリティ・正則化エネルギーを可視化し、より解釈可能なセグメンテーションをもたらす。 我々は2つの公開データセットに対するアプローチを検証し、既存の弱教師付きおよび非教師付き手法よりも優れた性能を実現する。 これらのデータセットの1つについて、経験豊富な病理学者がコミュニティに現実的なベンチマークを提供するために、比率を見積もっている。 さらに、この手法は、ノイズの多い病理学者ラベルを持つ社内データセットにスケールし、最先端の手法を著しく上回り、実用的な適用性を示す。 コードとデータはhttps://github.com/xiaoliangpi/VSLPで公開される。

関連論文リスト

• Exploiting Label-Independent Regularization from Spatial Dependencies for Whole Slide Image Analysis [11.555599433797235]
  全スライド画像は、組織サンプルのギガピクセルスケールのパノラマで、正確な疾患診断に欠かせない。 既存のMILメソッドは、単一のバッグレベルのラベルが多数のパッチレベルの特徴の学習をガイドしなければならないという基本的な不均衡のために、課題に直面している。 ラベルに依存しない正規化信号としてパッチ特徴間の空間的関係を生かした空間正規化MILフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-23T04:07:08Z)
• Stratify or Die: Rethinking Data Splits in Image Segmentation [6.391423612294428]
  Iterative Pixel Stratification (IPS)は、セグメンテーションタスクに適したラベル対応サンプリング手法である。 We present Wasserstein-Driven Evolutionary Stratification (WDES), a novel genetic algorithm designed to minimize the Wasserstein distance。
  論文  参考訳（メタデータ） (2025-09-25T12:04:26Z)
• Prior2Former -- Evidential Modeling of Mask Transformers for Assumption-Free Open-World Panoptic Segmentation [74.55677741919035]
  顕在学習に根ざしたセグメンテーション・ビジョン・トランスフォーマの最初のアプローチである Prefer2Former (P2F) を提案する。 P2Fは、ピクセル単位のバイナリマスク割り当てにおいて、モデル不確実性を計算するためのベータを組み込むことで、マスクビジョントランスフォーマーアーキテクチャを拡張している。 未知のクラスに対処するほとんどのセグメンテーションモデルとは異なり、P2FはOODデータサンプルへのアクセスや、ヴォイド(ラベルなし)クラスに対する対照的なトレーニングなしで動作する。
  論文  参考訳（メタデータ） (2025-04-07T08:53:14Z)
• SemSim: Revisiting Weak-to-Strong Consistency from a Semantic Similarity Perspective for Semi-supervised Medical Image Segmentation [18.223854197580145]
  医用画像分割のための半教師付き学習(SSL)は難しいが、非常に実践的な課題である。 セムシム(SemSim)という名前のFixMatchに基づく新しいフレームワークを提案する。 SemSimは3つの公開セグメンテーションベンチマークで最先端の手法よりも一貫した改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-10-17T12:31:37Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• All Points Matter: Entropy-Regularized Distribution Alignment for Weakly-supervised 3D Segmentation [67.30502812804271]
  擬似ラベルは、弱い教師付き3Dセグメンテーションタスクに広く使われており、学習に使えるのはスパース・グラウンド・トラス・ラベルのみである。 本稿では,生成した擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭めるための新しい学習戦略を提案する。
  論文  参考訳（メタデータ） (2023-05-25T08:19:31Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• 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)
• Disentangling Human Error from the Ground Truth in Segmentation of Medical Images [12.009437407687987]
  本稿では,純粋にノイズの多い観測のみから,個々のアノテータの信頼性,真のセグメンテーションラベル分布まで,共同学習手法を提案する。 本手法は,必要ならばシミュレートした3つの医用画像セグメンテーションデータセットと実際の多彩なアノテーションに対して有効であることを示す。
  論文  参考訳（メタデータ） (2020-07-31T11:03:12Z)
• Superpixel-Guided Label Softening for Medical Image Segmentation [31.989873877526424]
  医用画像分割のためのスーパーピクセルベースのラベルソフト化を提案する。 本手法は, 3次元および2次元の医用画像に対して, ベースラインと比較法に対して総合的に優れたセグメンテーション性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-17T10:55:59Z)

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。