論文の概要: C2RM-Seg: Causal Counterfactual Reasoning with Structural-Semantic Priors for Weakly Supervised Histopathological Tissue Segmentation

• arxiv url: http://arxiv.org/abs/2606.25508v1
• Date: Wed, 24 Jun 2026 07:44:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:05:30.26361
• Title: C2RM-Seg: Causal Counterfactual Reasoning with Structural-Semantic Priors for Weakly Supervised Histopathological Tissue Segmentation
• Title（参考訳）: C2RM-Seg : 病理組織分節の弱化に対する構造的セマンティック前駆体との因果関係
• Abstract要約: C$2$RM-Segは2段階のフレームワークで、因果的擬似ラベルの洗練と構造認識のセマンティックエンハンスメントを統合している。 分類には、特徴を潜在因子に分解する因果逆推論モジュール(C$2$RM)を導入する。 セグメンテーションのために,ResNeStの微細な構造特徴と凍結DINOV3基礎モデルからのグローバルなセマンティック先行を結合したDual-Path構造セマンティックアーキテクチャを設計する。
• 参考スコア（独自算出の注目度）: 21.55068744950547
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Histopathological tissue segmentation is essential for computer-aided diagnosis, yet weakly supervised methods often suffer from noisy pseudo-labels generated by Class Activation Mapping (CAM). Existing CAM approaches tend to focus on staining-driven appearance cues rather than true causal tissue morphology, resulting in spurious localization and poor structural consistency. To address this issue, we propose C$^2$RM-Seg, a two-stage framework that integrates causal pseudo-label refinement with structure-aware semantic enhancement. For classification, we introduce a Causal Counterfactual Reasoning Module (C$^2$RM) that decomposes features into latent factors and performs counterfactual intervention via a learned causal structure matrix, suppressing confounding context and producing morphology-aligned CAMs. For segmentation, we design a Dual-Path Structural-Semantic Architecture that combines fine-grained structural features from ResNeSt with global semantic priors from a frozen DINOV3 foundation model. A cross-path gating mechanism adaptively regulates semantic injection using local structural cues to preserve boundary fidelity. To further mitigate residual pseudo-label noise, we propose an Uncertainty-Gated Margin (UGM) loss, which dynamically balances margin enforcement and confidence learning based on prediction uncertainty. Extensive experiments on two public histopathological tissue datasets show that C$^2$RM-Seg achieves state-of-the-art performance.
• Abstract（参考訳）: 組織学的組織分画はコンピュータ支援診断に欠かせないが, クラスアクティベーションマッピング(CAM)が生み出すノイズの多い擬似ラベルに悩まされることが多い。 既存のCAMアプローチでは、真の因果組織の形態ではなく染色による外観の手がかりに焦点が当てられ、急激な局所化と構造的整合性が低下する。 この問題に対処するため,C$^2$RM-Segを提案する。 分類には,特徴を潜伏因子に分解し,学習因果構造行列を介して反実的介入を行う因果逆推論モジュール(C$^2$RM)を導入する。 セグメンテーションのために、ResNeStの微細な構造特徴と凍結したDINOV3ファンデーションモデルからのグローバルなセマンティクスを結合したDual-Path構造セマンティックアーキテクチャを設計する。 クロスパスゲーティング機構は、局所構造的手がかりを用いたセマンティックインジェクションを適応的に制御し、境界忠実性を維持する。 残余の擬似ラベルノイズを緩和するため,予測不確実性に基づいた残差強制と信頼度学習を動的にバランスする不確実性ゲイトマージン(UGM)損失を提案する。 C$^2$RM-Segは2つの公開病理組織データセットの大規模な実験により、最先端のパフォーマンスが達成された。

関連論文リスト

• CROSS: Cascaded Distillation and Dual-Constraint Grounding for Remote Sensing Referring Segmentation [15.230353995992246]
  Crossはリモートセンシングイメージを参照するための密に統合されたパラダイムである。 まず,Linguistic-Guided Cascaded Distillation (LGCD)を導入し,建築的ギャップを埋める。 第二に、PSCL(spective-Spatial Contrastive Learning)は、横断的制約を課している。
  論文  参考訳（メタデータ） (2026-08-04T05:24:05Z)
• Two-Stage Cross-Domain Cervical Abnormality Screening with Cytopathological Image Synthesis and Knowledge Distillation [4.737793347269989]
  子宮頸部細胞病理では,クロスドメイン診断が大きな課題である。 本稿では,クロスドメイン・ネック細胞検出のための2段階フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-26T03:21:09Z)
• scLLM-DSC: LLM-Knowledge Enhanced Cross-Modal Deep Structural Clustering for Single-Cell RNA Sequencing [25.2740961337968]
  クラスタリングはscRNA-seq解析の基礎であり、細胞集団の同定と組織の不均一性の解消の基礎となる。 既存の方法は、遺伝子によってコードされる固有の生物学的機能を無視して意味論に苦しむ、数値的な統計パターンのマイニングに重点を置いている。 我々は,新しいLLM-Knowledge Enhanced Cross-Modal Deep Structure Clusteringフレームワークである scLLM-DSC を提案する。
  論文  参考訳（メタデータ） (2026-06-11T07:42:43Z)
• PathAR: Structure-First Autoregressive Synthesis of Multimodal Pathology Images [51.428093790826814]
  そこで我々は, モーダリティ・ラベル条件付き病理モデル (PathAR) を用いて, 構造と外観を分解し, 自己回帰モデル(PathAR)を提案する。 PathARは、不均一なモダリティ固有の外観下で形態を安定化し、空間的に整列したイメージマスクペア生成を可能にする。
  論文  参考訳（メタデータ） (2026-06-01T01:43:48Z)
• Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
  カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。 既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。 動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-25T09:57:46Z)
• Beyond the Aggregation Dilemma: Prior-Retaining Decoupled Learning for Multimodal Graphs [69.56407708794845]
  MultimodalAttributed Graph Learning (MAGL)はグラフアグリゲーションを通じてノード属性と構造トポロジーを統合する。 事前訓練されたエンコーダがLarge Foundation Models (LFM) へと進化するにつれて、MAGLのランドスケープは根本的に変化していく。 高信頼のLFM先行の下では、強制集約は、識別シグナルを圧倒するトポロジカル固有のノイズを導入する。 本稿では、分離されたデュアルパスパラダイムであるSUPRA(Shared-Unique Prior-Retaining Architecture)を提案する。 SUPRAは、トポロジ・アグノシクスによるモーダリティ特異的な特徴を処理し、軽量共有GNNを介して構造相乗効果を捉え、補助的な深層監視対策の勾配飢餓を発生させる。
  論文  参考訳（メタデータ） (2026-05-23T17:42:25Z)
• Beyond ViT Tokens: Masked-Diffusion Pretrained Convolutional Pathology Foundation Model for Cell-Level Dense Prediction [33.957729129082075]
  Masked-Diffusion Convolutional Foundation Models (CMD) は、高密度病理表現学習のための自己教師型畳み込み生成事前学習フレームワークである。 CMDは、既存のViTベースの病理基盤モデルよりも一貫して優れており、最先端のエンドツーエンドセグメンテーション手法を超越している。 以上の結果から,純粋な畳み込み型アーキテクチャは細胞レベルでの高密度予測のための競合する病理基盤モデルとして機能する可能性が示唆された。
  論文  参考訳（メタデータ） (2026-05-08T04:34:56Z)
• CausalDisenSeg: A Causality-Guided Disentanglement Framework with Counterfactual Reasoning for Robust Brain Tumor Segmentation Under Missing Modalities [14.27898790157402]
  臨床的には, マルチモーダル脳腫瘍セグメント化のための深層学習モデルの堅牢性は, 不完全なMRIデータによって著しく損なわれている。 この脆弱性は主として、モデルが真の解剖学的構造を学ぶのではなく、急激な相関をショートカットとして活用するモダリティバイアスに由来する。 本稿では,因果的誘導的絡み合いと反ファクト的推論によりロバストなセグメンテーションを実現する構造因果モデル(SCM)を新たに構築したCausalDisenSegを提案する。
  論文  参考訳（メタデータ） (2026-04-15T02:20:09Z)
• HistDiT: A Structure-Aware Latent Conditional Diffusion Model for High-Fidelity Virtual Staining in Histopathology [3.5196641463125]
  HistDiTアーキテクチャは、仮想組織学的染色における視覚的忠実性の新たなベンチマークを確立する。 本モデルでは,厳密な定量的および定性的評価により,既存のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2026-04-09T14:39:37Z)
• Disentangling History and Propagation Dependencies in Cross-Subject Knee Contact Stress Prediction Using a Shared MeshGraphNet Backbone [0.8283940114367679]
  予測の不確実性の主な原因が時間的履歴依存か空間的伝播依存かは、まだ不明である。 OpenSim-FEBioワークフローを使用して、9つの被験者による試行のデータセットを構築した。 ヒストリーエンコーディングを組み込んだモデルは、大域的精度と空間的整合性において、ベースラインMGNとModMGNを大きく上回った。
  論文  参考訳（メタデータ） (2026-01-13T08:15:57Z)
• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• Noise & pattern: identity-anchored Tikhonov regularization for robust structural anomaly detection [58.535473924035365]
  異常検出は自動産業検査において重要な役割を担い、他の均一な視覚パターンの微妙な欠陥や稀な欠陥を識別することを目的としている。 自己教師型オートエンコーダを用いて, 破損した入力の修復を学習する構造的異常検出に取り組む。 構造欠陥を模倣した画像に人工的破壊を注入する汚職モデルを導入する。
  論文  参考訳（メタデータ） (2025-11-10T15:48:50Z)
• Unsupervised Instance Segmentation in Microscopy Images via Panoptic Domain Adaptation and Task Re-weighting [86.33696045574692]
  病理組織像における教師なし核分割のためのCycle Consistency Panoptic Domain Adaptive Mask R-CNN(CyC-PDAM)アーキテクチャを提案する。 まず,合成画像中の補助的な生成物を除去するための核塗布機構を提案する。 第二に、ドメイン識別器を持つセマンティックブランチは、パンプトレベルのドメイン適応を実現するように設計されている。
  論文  参考訳（メタデータ） (2020-05-05T11:08:26Z)

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。