論文の概要: $μ$Match: Foundation Models for Semi-supervised Learning and Domain Adaptation in EM

• arxiv url: http://arxiv.org/abs/2606.21605v1
• Date: Fri, 19 Jun 2026 17:07:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 04:37:19.193015
• Title: $μ$Match: Foundation Models for Semi-supervised Learning and Domain Adaptation in EM
• Title（参考訳）: $μ$Match:EMにおける半教師付き学習とドメイン適応の基礎モデル
• Authors: Marei Freitag, Olesia Korchevaia, Luca Freckmann, Anwai Archit, Constantin Pape,
• Abstract要約: ビジョンファウンデーションモデルは、ほぼ高度なコンピュータビジョンを持ち、ゼロショットと少数ショットの設定で最先端のパフォーマンスを実現する。 基礎モデルを活用した半教師付き学習とドメイン適応のためのフレームワークである$Matchを提案する。 我々は、最先端の学生-教師ベースの手法を実装し、ミトコドンドリオン、核、神経突起のセグメンテーションを含む、難解なEMタスクに関する複数の基礎モデルを評価する。
• 参考スコア（独自算出の注目度）: 1.149497648076115
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision foundation models have substantially advanced computer vision, enabling state-of-the-art performance in zero- and few-shot settings. They have been successfully applied to biomedical imaging tasks ranging from organ segmentation in computed tomography to cell segmentation in light microscopy. Electron microscopy (EM) is a central modality for analyzing cellular ultrastructure due to its nanometer-scale resolution. However, the application of foundation models in EM has so far been limited to specific organelles, such as mitochondria, largely due to the diversity of segmentation tasks and the scarcity of comprehensively annotated data. As a result, EM segmentation still predominantly relies on supervised learning, requiring extensive manual annotation and limiting ultrastructural analysis. To address this gap, we propose $μ$Match, a framework for semi-supervised learning and domain adaptation that leverages foundation models. We implement state-of-the-art student-teacher-based methods and evaluate multiple foundation models (SAM, SAM2, $μ$SAM, DINOv2/v3) on challenging EM tasks, including mitochondrion, nucleus, and neurite segmentation. Our results demonstrate consistent improvements over strong baselines and highlight a path toward substantially reducing the annotation effort in EM.
• Abstract（参考訳）: ビジョンファウンデーションモデルは、ほぼ高度なコンピュータビジョンを持ち、ゼロショットと少数ショットの設定で最先端のパフォーマンスを実現する。 バイオメディカルイメージングには, 臓器の分節化から細胞分節化まで, 光顕微鏡の応用に成功している。 電子顕微鏡(Electron Microscopy, EM)は、そのナノメートルスケールの分解能によって細胞微細構造を解析するための中心的なモダリティである。 しかしながら、EMにおける基礎モデルの適用は、主にセグメンテーションタスクの多様性と包括的な注釈付きデータの不足により、ミトコンドリアのような特定のオルガネラに限られている。 結果として、EMセグメンテーションはいまだに教師あり学習に依存しており、広範な手動アノテーションを必要とし、超構造解析を制限している。 このギャップに対処するために,基礎モデルを活用した半教師付き学習とドメイン適応のためのフレームワークである$μ$Matchを提案する。 我々は、最先端の学生教師ベースの手法を実装し、ミトコドンドリオン、核、神経節のセグメンテーションを含むEMタスクにおいて、複数の基礎モデル(SAM, SAM2, $μ$SAM, DINOv2/v3)を評価する。 その結果,強いベースラインに対する一貫した改善が示され,EMにおけるアノテーションの取り組みを大幅に削減する道のりが明らかにされた。

関連論文リスト

• Fine-grained Multi-class Nuclei Segmentation with Molecular-empowered All-in-SAM Model [15.622506758735476]
  分子動力学を用いたオールイン・SAMモデルを提案する。 本モデルでは,(1)分子動力学によるレイアノテータのアノテーション適用による,詳細なピクセルレベルのアノテーションの必要性の低減,(2)特定の意味論を強調するSAMモデルを学習適応化することに焦点を当てた,フルスタックのアプローチを取り入れた。
  論文  参考訳（メタデータ） (2025-08-21T17:49:21Z)
• ShapeMamba-EM: Fine-Tuning Foundation Model with Local Shape Descriptors and Mamba Blocks for 3D EM Image Segmentation [49.42525661521625]
  本稿では3次元EMセグメンテーションのための特殊微調整法であるShapeMamba-EMを提案する。 5つのセグメンテーションタスクと10のデータセットをカバーする、幅広いEMイメージでテストされている。
  論文  参考訳（メタデータ） (2024-08-26T08:59:22Z)
• Few-Shot Learning for Annotation-Efficient Nucleus Instance Segmentation [50.407071700154674]
  少数ショット学習(FSL)の観点から、アノテーション効率の良い核インスタンスセグメンテーションを定式化することを提案する。 我々の研究は、計算病理学の隆盛とともに、多くの完全注釈付きデータセットが一般に公開されていることに動機づけられた。 いくつかの公開データセットに対する大規模な実験は、SGFSISが他のアノテーション効率のよい学習ベースラインより優れていることを示している。
  論文  参考訳（メタデータ） (2024-02-26T03:49:18Z)
• Learning Multiscale Consistency for Self-supervised Electron Microscopy Instance Segmentation [48.267001230607306]
  本稿では,EMボリュームのマルチスケール一貫性を高める事前学習フレームワークを提案する。 当社のアプローチでは,強力なデータ拡張と弱いデータ拡張を統合することで,Siameseネットワークアーキテクチャを活用している。 効果的にボクセルと機能の一貫性をキャプチャし、EM分析のための転送可能な表現を学習する。
  論文  参考訳（メタデータ） (2023-08-19T05:49:13Z)
• Semi-Supervised Segmentation of Mitochondria from Electron Microscopy Images Using Spatial Continuity [3.631638087834872]
  ミトコンドリアの構造的・形態的・文脈的情報の空間的連続性を利用してミトコンドリアをセグメント化する半教師付き深層学習モデルを提案する。 我々のモデルは、最先端の完全教師付きモデルと同じような性能を達成するが、アノテーション付きトレーニングデータの20%しか必要としない。
  論文  参考訳（メタデータ） (2022-06-06T06:52:19Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)

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。