論文の概要: MuellerPT: Decomposition Driven Pretraining for Dense Learning in Mueller Polarimetry

• arxiv url: http://arxiv.org/abs/2605.23840v1
• Date: Fri, 22 May 2026 16:48:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 17:29:20.433577
• Title: MuellerPT: Decomposition Driven Pretraining for Dense Learning in Mueller Polarimetry
• Title（参考訳）: MuellerPT: Mueller PolarimetryにおけるDense Learningのための分解駆動事前学習
• Authors: Adam Tlemsani, Yingdian Li, Maxime Giot, Naim Slim, Christopher J. Peters, Abhijeet Ghosh, Daniel S. Elson,
• Abstract要約: 画素あたり4x4のムラー行列からLu-Chipman分解写像を予測することにより、転送可能な高密度表現を学習する物理ガイド付き事前学習手法であるMuellerPTを導入する。 セグメンテーションにおいて、MuellerPTは事前トレーニングのないモデルと比較してラベル効率とクロス検体転送を改善し、絶対的なDICEゲインを20%以上達成している。 分類において、MuellerPTはラベル効率も向上し、トレーニングデータの1%を使用する場合のベースラインに比べて全体の精度が8%向上する。
• 参考スコア（独自算出の注目度）: 1.4444807128413386
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mueller matrix imaging provides rich, physically meaningful contrast for biomedical tissue analysis, but supervised learning is hindered by scarce dense annotations and strong domain shifts across specimens and acquisition settings. We introduce MuellerPT, a physics guided pre-training approach that learns transferable dense representations by predicting Lu-Chipman decomposition maps from per-pixel 4x4 Mueller matrices. To scale pre-training, we collected a new large Multispectral Animal Polarimetric Organ dataset (MAP-Org). The pre-trained encoder is adapted with a segmentation head for grey vs. white matter segmentation in lamb brain. A classification head is used for colorectal cancer vs. non-cancer classification. Both segmentation and classification are evaluated across few-shot learning scenarios. In segmentation, MuellerPT improves label efficiency and cross specimen transfer compared to models without pre-training, achieving an absolute DICE gain of over 20% compared to the baseline trained from scratch when using 5% of the training data. In classification, MuellerPT also enhances label efficiency, improving overall accuracy by 8% compared to the baseline when using 1% of the training data. We demonstrate MuellerPT's robustness to domain shift with a qualitative evaluation of its predicted Lu-Chipman maps on an ex vivo human oesophagus sample. These results suggest that predicting Lu-Chipman decomposition is an effective and practical pretext task for robust biomedical inference from Mueller polarimetry and can pave the way for future work on label efficient Mueller imaging.
• Abstract（参考訳）: ミュラーマトリクスイメージングは、バイオメディカル組織分析のためのリッチで物理的に意味のあるコントラストを提供するが、教師付き学習は、希少な高密度アノテーションと検体間の強いドメインシフトと取得設定によって妨げられる。 画素あたり4x4のムラー行列からLu-Chipman分解写像を予測することにより、転送可能な高密度表現を学習する物理ガイド付き事前学習手法であるMuellerPTを導入する。 事前学習をスケールするために,我々は新しい大規模多スペクトル動物ポラリメトリックオルガンデータセット(MAP-Org)を収集した。 プレトレーニングエンコーダは、羊脳におけるグレー対ホワイトマターセグメンテーションのためのセグメンテーションヘッドに適合する。 分類ヘッドは、大腸癌と非がんの分類に使用される。 セグメンテーションと分類は、数ショットの学習シナリオで評価される。 セグメンテーションにおいて、MuellerPTはトレーニング前のモデルと比較してラベル効率とクロス検体転送を改善し、トレーニングデータの5%を使用する場合、スクラッチからトレーニングしたベースラインと比較して、絶対的なDICEゲインを20%以上達成する。 分類において、MuellerPTはラベル効率も向上し、トレーニングデータの1%を使用する場合のベースラインに比べて全体の精度が8%向上する。 本研究は,ヒト食道外試料を用いたLu-Chipmanマップの質的評価により,ムラーPTのドメインシフトに対する堅牢性を示すものである。 以上の結果から,Lu-Chipman分解の予測は,ミュラー偏光測定による堅牢な生医学的推測のための有効かつ実践的な前提課題であり,ラベル効率のよいミュラーイメージングへの道を開くことが示唆された。

関連論文リスト

• Benchmarking Pathology Feature Extractors for Whole Slide Image Classification [2.173830337391778]
  弱教師付き全スライド画像分類は、計算病理学における重要な課題である。 特徴抽出器の総合的なベンチマークを行い、3つの重要な質問に答える。 我々は経験的に観察し、潜伏空間を解析することにより、染色の正規化や画像の増大は性能を低下させない。 提案手法は, 下流性能を比較するための新しい評価指標を開発し, 下流性能の指標として, 特徴抽出器の選択が最も重要な要因であることを示す。
  論文  参考訳（メタデータ） (2023-11-20T13:58:26Z)
• MELEP: A Novel Predictive Measure of Transferability in Multi-Label ECG Diagnosis [1.3654846342364306]
  本稿では,事前学習したモデルから下流のECG診断タスクへの知識伝達の有効性を推定する手段であるMELEPを紹介する。 実験により、MELEPは、小・不均衡のECGデータに基づいて、事前学習した畳み込みと繰り返しの深部ニューラルネットワークの性能を予測できることを示した。
  論文  参考訳（メタデータ） (2023-10-27T14:57:10Z)
• Unsupervised Mutual Transformer Learning for Multi-Gigapixel Whole Slide Image Classification [18.452105665665858]
  相互変換学習に基づく完全教師なしWSI分類アルゴリズムを提案する。 正常とがんのインスタンスラベリングを改善するために識別学習機構を導入する。 教師なし分類に加えて,下流分析として癌サブタイプ分類の弱監督のための枠組みの有効性を実証する。
  論文  参考訳（メタデータ） (2023-05-03T10:54:18Z)
• An End-to-End Framework For Universal Lesion Detection With Missing Annotations [24.902835211573628]
  そこで本研究では,検出器を同時に訓練しながら,ラベルのない病変をマイニングするための新しいエンドツーエンドフレームワークを提案する。 本研究の枠組みは,高信頼度予測と,学生モデル学習のための部分的にラベル付けされた基礎的真理が組み合わさっている。
  論文  参考訳（メタデータ） (2023-03-27T09:16:10Z)
• 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)
• End-to-End Semi-Supervised Object Detection with Soft Teacher [63.26266730447914]
  本稿では,従来の複雑な多段階法とは対照的に,終端から終端までの半教師付き物体検出手法を提案する。 提案手法は, 種々のラベル付け比において, 従来手法よりも大きなマージンで性能を向上する。 最先端のSwin Transformerベースの物体検出器では、検出精度を+1.5 mAPで大幅に向上させることができる。
  論文  参考訳（メタデータ） (2021-06-16T17:59:30Z)
• Deep Semi-supervised Metric Learning with Dual Alignment for Cervical Cancer Cell Detection [49.78612417406883]
  子宮頸癌細胞検出のための新しい半教師付き深度測定法を提案する。 私たちのモデルは、埋め込みメトリック空間を学習し、提案レベルとプロトタイプレベルの両方でセマンティック機能の二重アライメントを行います。 本研究は,240,860個の頸部細胞画像からなる半監督型頸部がん細胞検出のための大規模データセットを初めて構築した。
  論文  参考訳（メタデータ） (2021-04-07T17:11:27Z)
• Deep Semi-supervised Knowledge Distillation for Overlapping Cervical Cell Instance Segmentation [54.49894381464853]
  本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。 摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。 実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
  論文  参考訳（メタデータ） (2020-07-21T13:27:09Z)
• 3D medical image segmentation with labeled and unlabeled data using autoencoders at the example of liver segmentation in CT images [58.720142291102135]
  本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。 コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
  論文  参考訳（メタデータ） (2020-03-17T20:20:43Z)

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。