論文の概要: One Click per Cell Type Suffices: Training-free Group Interaction for Cell Instance Segmentation

• arxiv url: http://arxiv.org/abs/2605.29429v1
• Date: Thu, 28 May 2026 06:22:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:55.85281
• Title: One Click per Cell Type Suffices: Training-free Group Interaction for Cell Instance Segmentation
• Title（参考訳）: セル毎の1クリック:セルインスタンス分割のための訓練不要グループ間相互作用
• Authors: Sanghyun Jo, Seo Jin Lee, Seohyung Hong, Yoorim Gang, Hyeongsub Kim, Hyungseok Seo, Kyungsu Kim,
• Abstract要約: Chain-of-Prompts (CoP) はトレーニング不要のフレームワークで、信頼できる同一タイプの場所を特定することで、単一のユーザクリックを拡張する。 3つのセル型アノテーション付きベンチマークでは、タイプ毎に1クリックのCoPが、インスタンス毎のパフォーマンスの90%以上を保持している。
• 参考スコア（独自算出の注目度）: 4.277286502422689
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cell instance segmentation models trained on cell-specific datasets suffer severe performance drops on out-of-distribution cell types, while interactive foundation models overcome this through per-instance prompting at a cost that is prohibitively expensive for histopathology images containing hundreds to thousands of densely packed instances. We introduce Group Prompting, a new paradigm that shifts interactive segmentation from per-instance $O(N)$ to per-type $O(T)$, where a single click per cell type suffices to segment all instances of that type. Our key observation is that the frozen image encoder of the Segment Anything Model (SAM) already clusters same-type cells in its feature space before any prompt is given. Exploiting this property, we propose Chain-of-Prompts (CoP), a training-free framework that recursively expands a single user click by (1) identifying reliable same-type locations through non-parametric gating of multi-scale encoder features, and (2) selecting the most spatially distant reliable point as the next prompt to maximize coverage. On three cell-type-annotated benchmarks, CoP with one click per type retains over 90% of per-instance performance and surpasses fully-supervised methods without any additional training. On four morphologically homogeneous benchmarks, a single click retains over 99%. Project Page: https://shjo-april.github.io/Chain-of-Prompts/
• Abstract（参考訳）: 細胞固有のデータセットに基づいてトレーニングされた細胞インスタンスセグメンテーションモデルは、配布外細胞タイプに深刻なパフォーマンス低下を被る一方、インタラクティブな基礎モデルでは、数百から数千の密集したインスタンスを含む病理画像のコストが極めて高いことを、インスタンス単位のコストで克服する。 これは、インタラクティブなセグメンテーションをinstanceあたり$O(N)$からper-type $O(T)$にシフトする新しいパラダイムである。 我々のキーとなる観察は、Segment Anything Model (SAM) の凍結画像エンコーダが、任意のプロンプトが与えられる前に、その特徴空間に既に同じタイプの細胞をクラスタ化していることである。 提案するChain-of-Prompts (CoP) は,(1) マルチスケールエンコーダの特徴の非パラメトリックゲーティングを通じて,信頼性の高い同一タイプの位置を識別し,(2) 範囲を最大化するための最も空間的に離れた信頼ポイントを選択することにより,単一のユーザクリックを反復的に拡張する,トレーニング不要なフレームワークである。 3つのセル型アノテートベンチマークでは、1クリック当たりのCoPは、インスタンス毎のパフォーマンスの90%以上を保持し、追加のトレーニングなしで完全に教師されたメソッドを超えている。 4つの形態的に均質なベンチマークでは、ワンクリックは99%以上保持される。 Project Page: https://shjo-april.github.io/Chain-of-Prompts/

関連論文リスト

• Personalized Cell Segmentation: Benchmark and Framework for Reference-Guided Cell Type Segmentation [4.153850400225319]
  我々は、参照セルが与えられた特定のタイプの全ての細胞をセグメント化することを目的としたパーソナライズされたセルタスクを導入する。 先駆的なソリューションとして,DINOv2のバックボーン上に構築されたPerCS-DINOを提案する。
  論文  参考訳（メタデータ） (2026-03-15T10:39:47Z)
• 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)
• Scale Disparity of Instances in Interactive Point Cloud Segmentation [15.865365305312174]
  我々はClickFormerを提案する。ClickFormerは革新的なインタラクティブなポイントクラウドセグメンテーションモデルで、物と物の両方のインスタンスを正確にセグメンテーションする。 我々は、偽陽性の発生リスクを軽減するために、クエリ・ボクセル変換器にグローバルな注意を払っている。 ClickFormerは、屋内と屋外の両方のデータセットで、既存のインタラクティブなポイントクラウドセグメンテーションメソッドよりも優れています。
  論文  参考訳（メタデータ） (2024-07-19T03:45:48Z)
• UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
  ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。 異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。 特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
  論文  参考訳（メタデータ） (2024-02-20T11:50:27Z)
• CellMixer: Annotation-free Semantic Cell Segmentation of Heterogeneous Cell Populations [9.335273591976648]
  異種細胞集団のセマンティックセグメンテーションのための革新的なアノテーションのないアプローチであるCellMixerを提案する。 以上の結果から,CellMixerは複数のセルタイプにまたがる競合セグメンテーション性能と画像モダリティを実現することができることがわかった。
  論文  参考訳（メタデータ） (2023-12-01T15:50:20Z)
• Single-cell Multi-view Clustering via Community Detection with Unknown Number of Clusters [64.31109141089598]
  シングルセルデータに適した,革新的なマルチビュークラスタリング手法である scUNC を導入する。 scUNCは、事前に定義された数のクラスタを必要とせずに、異なるビューからの情報をシームレスに統合する。 3つの異なる単一セルデータセットを用いて,SCUNCの総合評価を行った。
  論文  参考訳（メタデータ） (2023-11-28T08:34:58Z)
• Generalized Category Discovery with Clustering Assignment Consistency [56.92546133591019]
  一般化圏発見(GCD)は、最近提案されたオープンワールドタスクである。 クラスタリングの一貫性を促進するための協調学習ベースのフレームワークを提案する。 提案手法は,3つの総合的なベンチマークと3つのきめ細かい視覚認識データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-10-30T00:32:47Z)
• 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)
• APANet: Adaptive Prototypes Alignment Network for Few-Shot Semantic Segmentation [56.387647750094466]
  Few-shotのセマンティックセマンティックセマンティクスは、指定されたクエリイメージに、ラベル付きサポートイメージのみで、新規クラスのオブジェクトをセグメントすることを目的としている。 ほとんどの高度なソリューションは、各クエリ機能を学習したクラス固有のプロトタイプにマッチさせることでセグメンテーションを実行するメトリクス学習フレームワークを利用している。 本稿では,クラス固有およびクラス非依存のプロトタイプを導入することで,適応型プロトタイプ表現を提案する。
  論文  参考訳（メタデータ） (2021-11-24T04:38:37Z)
• 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。