論文の概要: Rethinking the Adaptation of Vision Foundation Models for Efficient Cell Segmentation

• arxiv url: http://arxiv.org/abs/2606.21913v1
• Date: Sat, 20 Jun 2026 07:15:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 23:56:59.038076
• Title: Rethinking the Adaptation of Vision Foundation Models for Efficient Cell Segmentation
• Title（参考訳）: 効率的な細胞セグメンテーションのためのビジョン基礎モデルの適応再考
• Authors: Qing Xu, Xiangjian He, Wenting Duan, Jiebo Luo, Zhen Chen,
• Abstract要約: EffiCell-Segは、ビジュアルエンコーダを再トレーニングすることなく、高い効率のセルセグメンテーションのためのフレームワークである。 我々の中核的な洞察は、事前訓練されたVFMは本質的に相補的な構造的前提を包含しているということである。 EffiCell-Segは5Mのトレーニング可能なパラメータしか必要とせず、完全に微調整されたVFMのパラメータよりも130倍以上少ない。
• 参考スコア（独自算出の注目度）: 38.881896184660164
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cell segmentation is critical for computational pathology and biomedical discovery. While recent Vision Foundation Models (VFMs) have demonstrated remarkable universal feature representations, unlocking their full potential for cellular imaging is currently bottlenecked by resource-intensive adaptation paradigms. Existing methods typically rely on fine-tuning heavy visual encoders, leading to extensive computational overhead and a dependency on large-scale annotations. To address this, we propose the EffiCell-Seg framework for highly efficient cell segmentation without re-training the visual encoder. Our core insight is that pretrained VFMs intrinsically encode complementary structural priors: global saliency for localizing potential cells, and local morphological patterns for delineating cellular structures. To harness these priors, we devise a Cell Structure Prompt Encoder (CSP-Encoder) that synthesizes semantic-aware saliency and principal morphological features from frozen VFM representations into explicit structural prior maps. Moreover, we propose a Synergistic Mask Decoder (SM-Decoder) that enforces contextual consistency by jointly predicting geometric distance fields and semantic maps via mutual cross-guidance. Extensive experiments demonstrate that EffiCell-Seg outperforms state-of-the-art methods across diverse cell imaging modalities while requiring only ~5M trainable parameters, over 130x fewer than fully fine-tuned VFM counterparts. The code is available at https://github.com/xq141839/EffiCell-Seg.
• Abstract（参考訳）: 細胞セグメンテーションは、計算病理学と生物医学的発見に重要である。 近年のビジョン・ファンデーション・モデル(VFM)は、驚くべき普遍的な特徴表現を示してきたが、細胞イメージングの可能性を解き放つことは、現在、資源集約的な適応パラダイムによってボトルネックになっている。 既存の手法は通常、微調整の重いビジュアルエンコーダに依存しており、計算オーバーヘッドが大きくなり、大規模なアノテーションに依存している。 そこで本稿では,視覚エンコーダを再学習することなく,高効率なセルセグメンテーションを実現するためのEffiCell-Segフレームワークを提案する。 我々の中核的な洞察は、事前訓練されたVFMは、本質的に相補的な構造的先行性、すなわち、ポテンシャル細胞を局在させるグローバルサリエンス、および細胞構造を規定する局所的な形態的パターンを包含しているということである。 これらの先行情報を活用するために,凍結したVFM表現から意味認識の精度と主形態的特徴を明示的な構造的事前マップに合成するセル構造プロンプトエンコーダ(CSP-Encoder)を考案した。 さらに,幾何学的距離場とセマンティックマップを相互指導により共同で予測することにより,文脈整合性を実現するSynergistic Mask Decoder (SM-Decoder)を提案する。 広範囲にわたる実験により、EffiCell-Segは様々な細胞イメージングモードで最先端の手法より優れており、訓練可能なパラメータはわずか5Mであり、完全な微調整VFMよりも130倍少ないことが示されている。 コードはhttps://github.com/xq141839/EffiCell-Segで公開されている。

関連論文リスト

• DualGate-Net: A Prior-Gated Dual-Encoder Framework for Histopathology Cell Detection [7.024374684283387]
  本稿では,ConvNeXtV2をベースとしたローカルエンコーダとSegFormerをベースとしたグローバルエンコーダを組み合わせた,事前認識型デュアルエンコーダフレームワークであるDualGate-Netを提案する。 OCELOTベンチマークの実験では、検証セットで0.7722、テストセットで0.7345のマクロF1スコアが達成された。
  論文  参考訳（メタデータ） (2026-06-05T12:36:05Z)
• Vision Transformer-Conditioned UNet for Domain-Adaptive Semantic Segmentation [3.2625979527355784]
  本稿では,学習可能なトークンと双方向のアテンションデコーダを通じて,凍結事前学習されたViT表現にUNetを条件付けるViTC-UNetを紹介する。 これは、ViTグローバルな視覚的先行と、UNetsの局所帰納バイアスと高分解能復号能力を組み合わせたものである。 ViTC-UNetはMRIおよびCTモダリティのセマンティックセグメンテーションタスクにおいて、ベースラインよりも優れている。
  論文  参考訳（メタデータ） (2026-05-12T11:56:46Z)
• TGC-Net: A Structure-Aware and Semantically-Aligned Framework for Text-Guided Medical Image Segmentation [56.09179939570486]
  本稿では,パラメータ効率,タスク固有適応に着目したCLIPベースのフレームワークであるTGC-Netを提案する。 TGC-Netは、挑戦的なベンチマークで顕著なDiceゲインを含む、トレーニング可能なパラメータをかなり少なくして、最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-12-24T12:06:26Z)
• LapFM: A Laparoscopic Segmentation Foundation Model via Hierarchical Concept Evolving Pre-training [39.51756689308245]
  ラプFM(LapFM)は、大規模な未ラベルの手術画像から、堅牢なセグメンテーション能力を進化させるために設計された基礎モデルである。 本稿では,階層的一貫性に基づいて疑似ラベルを反復的に生成・フィルタリングする信頼駆動進化ラベルを提案する。 このプロセスは114Kのイメージマスク対からなる大規模ベンチマークであるLapBench-114Kを生成する。
  論文  参考訳（メタデータ） (2025-12-09T10:09:31Z)
• CellPainTR: Generalizable Representation Learning for Cross-Dataset Cell Painting Analysis [51.56484100374058]
  本稿では,細胞形態の基本的な表現を学習するためのトランスフォーマーベースのアーキテクチャであるCellPainTRを紹介する。 私たちの研究は、画像ベースのプロファイリングのための真の基盤モデルを作成するための重要なステップであり、より信頼性が高くスケーラブルなクロススタディ生物学的分析を可能にします。
  論文  参考訳（メタデータ） (2025-09-02T03:30:07Z)
• trAIce3D: A Prompt-Driven Transformer Based U-Net for Semantic Segmentation of Microglial Cells from Large-Scale 3D Microscopy Images [39.58317527488534]
  本稿では,精密マイクログリアセグメンテーションのためのディープラーニングアーキテクチャであるtrAIce3Dを紹介する。 まず、エンコーダ内の視覚変換器を備えた3D U-Netは、スライディングウインドウ技術を用いて、画像全体をカバーするソマを検出する。 次に、ソマ座標をプロンプトとして、ターゲットセルの周りの3Dウィンドウを入力として、ソマとその枝を洗練する。 TRAIce3Dは41,230マイクログリアセルのデータセットで訓練され、評価され、セグメンテーションの精度とスケーラブルな一般化を著しく改善する。
  論文  参考訳（メタデータ） (2025-07-30T12:54:53Z)
• CellVTA: Enhancing Vision Foundation Models for Accurate Cell Segmentation and Classification [4.307361438627596]
  本稿では,セルインスタンス分割のための視覚基盤モデルの性能を向上させる新しい手法であるCell Vision Transformer with Adapterを提案する。 提案手法は,ViTのコアアーキテクチャを保存し,事前学習した基礎モデルとのシームレスな統合を保証する。 実験の結果,CellVTAはCoNICデータセットで0.538 mPQ,PanNukeデータセットで0.506 mPQを達成した。
  論文  参考訳（メタデータ） (2025-04-01T13:36:46Z)
• Prompting Segment Anything Model with Domain-Adaptive Prototype for Generalizable Medical Image Segmentation [49.5901368256326]
  医用画像のセグメンテーションにおけるセグメンテーションモデル(DAPSAM)の微調整のための新しいドメイン適応型プロンプトフレームワークを提案する。 DAPSAMは,2つの医療画像分割タスクにおいて,異なるモダリティで最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-09-19T07:28:33Z)
• Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
  本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。 本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。 実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T02:27:02Z)
• Vision Transformers: From Semantic Segmentation to Dense Prediction [139.15562023284187]
  視覚的予測のための視覚変換器(ViT)のグローバルな文脈学習の可能性について検討する。 我々のモチベーションは、グローバルコンテキストを全受容界層で学習することで、ViTがより強力な長距離依存性情報を取得することである。 階層型ローカル・グローバル・トランスフォーマー (HLG) のファミリを定式化し, 窓内部の局所的な注意と, ピラミッド建築における窓全体のグローバルアテンションを特徴とする。
  論文  参考訳（メタデータ） (2022-07-19T15:49:35Z)

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。