論文の概要: ImPartial: Multi-channel Whole-Cell Segmentation using Partial Annotations

• arxiv url: http://arxiv.org/abs/2605.24128v1
• Date: Fri, 22 May 2026 18:42:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:17.642654
• Title: ImPartial: Multi-channel Whole-Cell Segmentation using Partial Annotations
• Title（参考訳）: ImPartial: 部分アノテーションを用いたマルチチャネル全セルセグメンテーション
• Authors: Gunjan Shrivastava, Saad Nadeem,
• Abstract要約: ImPartialは、低アノテーション方式で最先端のセグメンテーション性能を実現するために設計されたフレームワークである。 ImPartialは、自己教師型マルチチャネル量子化計算によってセグメンテーションの目的を拡大する。 我々は、ImPartialが完全に教師されたモデルと同等に機能し、アノテーションをかなり少なくすることを示した。
• 参考スコア（独自算出の注目度）: 1.4781921087738967
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate cell segmentation in pathology images typically requires dense pixel-wise annotations, which are costly and time-consuming to obtain. This challenge is especially important for emerging biological imaging modalities and multiplexed datasets with variable channel configurations, where expert-labeled data are scarce. In this work, we introduce ImPartial, a deep learning framework designed to achieve state-of-the-art segmentation performance in low-annotation regimes using sparse scribbles and limited supervision. ImPartial augments the segmentation objective via self-supervised multi-channel quantized imputation. This approach leverages the observation that perfect pixel-wise reconstruction or denoising of the image is not needed for accurate segmentation, and thus, introduces a self-supervised classification objective that better aligns with the overall segmentation goal. We demonstrate that ImPartial achieves performance at par with fully supervised models while requiring substantially fewer annotations. Extensive experiments on benchmark multiplexed cellular imaging and single-plex clinical brightfield immunohistochemistry datasets show consistent improvements over strong baselines with only partial annotations. All benchmark datasets and code are available via our Github: https://github.com/nadeemlab/ImPartial.
• Abstract（参考訳）: 病理画像における正確な細胞セグメンテーションは、通常、高解像度のピクセル単位のアノテーションを必要とする。 この課題は、専門的なラベル付きデータが不足している、生物画像モダリティや可変チャネル構成の多重データセットの出現に特に重要である。 本研究では,スパース・スクリブルと限られた監督力を用いた低アノテーション体制における最先端のセグメンテーション性能を実現するためのディープラーニングフレームワークImPartialを紹介する。 ImPartialは、自己教師型マルチチャネル量子化計算によってセグメンテーションの目的を拡大する。 このアプローチは, 画像の完全化やデノナイズが正確なセグメンテーションには必要ないという観察を活かし, 全体セグメンテーションの目標と整合する自己監督型分類の目的を導入する。 我々は、ImPartialが完全に教師されたモデルと同等のパフォーマンスを達成し、アノテーションをかなり少なくすることを示した。 ベンチマーク多重細胞イメージングと単一複合体臨床光電顕免疫組織化学データセットの広範囲な実験は、部分的なアノテーションだけで強いベースラインよりも一貫した改善を示した。 すべてのベンチマークデータセットとコードは、Githubから入手可能です。

関連論文リスト

• A Lightweight Clustering Framework for Unsupervised Semantic Segmentation [28.907274978550493]
  教師なしセマンティックセグメンテーションは、注釈付きデータを用いることなく、画像の各ピクセルを対応するクラスに分類することを目的としている。 教師なしセマンティックセグメンテーションのための軽量クラスタリングフレームワークを提案する。 本フレームワークは,PASCAL VOCおよびMS COCOデータセットの最先端結果を実現する。
  論文  参考訳（メタデータ） (2023-11-30T15:33:42Z)
• Diffusion-based Data Augmentation for Nuclei Image Segmentation [68.28350341833526]
  核セグメンテーションのための拡散法を初めて導入する。 このアイデアは、多数のラベル付き画像を合成し、セグメンテーションモデルを訓練することを目的としている。 実験の結果,10%のラベル付き実データセットを合成サンプルで拡張することにより,同等のセグメンテーション結果が得られることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T06:16:16Z)
• Microscopy Image Segmentation via Point and Shape Regularized Data Synthesis [9.47802391546853]
  合成学習データを用いた顕微鏡画像セグメンテーションのための統一パイプラインを構築した。 本フレームワークは,濃密なラベルを持つ高精度な顕微鏡画像で訓練されたモデルと同等の結果が得られる。
  論文  参考訳（メタデータ） (2023-08-18T22:00:53Z)
• Unsupervised Segmentation of Fetal Brain MRI using Deep Learning Cascaded Registration [2.494736313545503]
  従来の深層学習に基づく自動セグメンテーションは、グランドトラストラベルによる広範なトレーニングデータを必要とする。 ラベル付きデータに頼らずに複数の組織を正確にセグメンテーションするマルチアトラスセグメンテーションに基づく新しい手法を提案する。 提案手法では,3次元画像登録のためのカスケード深層学習ネットワークを用いて,移動画像への小さなインクリメンタルな変形を計算し,それを固定画像と正確に整合させる。
  論文  参考訳（メタデータ） (2023-07-07T13:17:12Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付き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自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• Deep Spectral Methods: A Surprisingly Strong Baseline for Unsupervised Semantic Segmentation and Localization [98.46318529630109]
  画像分解をグラフ分割問題として再フレーミングすることで,従来のスペクトル分割法から着想を得た。 これらの固有ベクトルはすでにイメージを意味のあるセグメントに分解しており、シーン内のオブジェクトのローカライズに容易に利用できる。 データセットにまたがるこれらのセグメントに関連する機能をクラスタ化することで、明確に定義された、名前付き可能なリージョンを得ることができる。
  論文  参考訳（メタデータ） (2022-05-16T17:47:44Z)
• Instance Segmentation of Unlabeled Modalities via Cyclic Segmentation GAN [27.936725483892076]
  本稿では,画像翻訳とインスタンスセグメンテーションを共同で行うCysic Generative Adrial Network(CySGAN)を提案する。 注記電子顕微鏡(en:Annotated electron microscopy, EM)画像とラベルなし拡張顕微鏡(en:Unlabeled expansion microscopy, ExM)データを用いて, ニューロンの3次元セグメンテーションの課題についてベンチマークを行った。
  論文  参考訳（メタデータ） (2022-04-06T20:46:39Z)
• Segmenter: Transformer for Semantic Segmentation [79.9887988699159]
  セマンティックセグメンテーションのためのトランスフォーマーモデルであるSegmenterを紹介します。 最近のViT(Vision Transformer)上に構築し,セマンティックセグメンテーションに拡張する。 これは、挑戦的なADE20Kデータセット上でのアートの状態を上回り、Pascal ContextとCityscapesでオンパーを実行する。
  論文  参考訳（メタデータ） (2021-05-12T13:01:44Z)
• Self-Supervised Tuning for Few-Shot Segmentation [82.32143982269892]
  Few-shotのセグメンテーションは、アノテートされたサンプルがほとんどない各画像ピクセルにカテゴリラベルを割り当てることを目的としている。 既存のメタラーニング手法では, 画像から抽出した視覚的特徴を埋め込み空間に埋め込むと, カテゴリー別識別記述子の生成に失敗する傾向にある。 本稿では,複数のエピソードにまたがる潜在特徴の分布を,自己分割方式に基づいて動的に調整する適応型フレームワークチューニングを提案する。
  論文  参考訳（メタデータ） (2020-04-12T03:53:53Z)

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。