論文の概要: HASSL: Hierarchy-Aware Self-Supervised Learning Framework for Single Cell Microscopy

• arxiv url: http://arxiv.org/abs/2607.04353v1
• Date: Sun, 05 Jul 2026 15:18:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.907202
• Title: HASSL: Hierarchy-Aware Self-Supervised Learning Framework for Single Cell Microscopy
• Title（参考訳）: HASSL:単一細胞顕微鏡のための階層型自己監視学習フレームワーク
• Abstract要約: この問題に対処するための階層型自己教師型トレーニングフレームワークを提案する。 20の顕微鏡データセットから収集した230万個の単細胞からなる培養コーパスを用いて,本手法の訓練と評価を行った。
• 参考スコア（独自算出の注目度）: 0.9759936503350192
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hierarchical structure is common in image data, where fine-grained clusters often merge into larger, coarser semantic groups. In biological cell images, current self-supervised learning models often suppress this hierarchy, as coarse factors such as imaging modality can obscure finer morphological attributes in the latent space. We propose a hierarchy-aware self-supervised training framework to address this problem. Our method combines two components: a distillation framework with a segmentation teacher to improve morphological awareness in the latent space, and a hierarchy-aware contrastive loss based on HDBSCAN to improve decision boundaries between closely related subtypes at different hierarchical levels. Together, these components reduce the tendency of self-supervised learning to overemphasize coarse factors and instead align embeddings with semantic and morphological cues. This yields biologically meaningful sub-clusters driven by fine morphological detail. We train and evaluate our method on a curated corpus of 2.3 million single cells aggregated from 20 microscopy datasets, both labeled and unlabeled, covering 208 cell classes. Our method improves over baseline and counterpart methods, increasing average top-K accuracy by 2.8%, top-9 retrieval on the dataset with the deepest hierarchy by 6.3%, and downstream F1-score for biologically relevant drug classification from perturbed cell morphology by 7.8%.
• Abstract（参考訳）: 階層構造は画像データで一般的であり、細粒度クラスタはより大きな粗いセマンティックグループにマージされることが多い。 生物学的な細胞画像において、現在の自己教師付き学習モデルは、画像モダリティのような粗い要因が潜伏空間におけるより微細な形態的特性を曖昧にするので、しばしばこの階層を抑圧する。 この問題に対処するための階層型自己教師型トレーニングフレームワークを提案する。 提案手法は, 蒸留フレームワークとセグメンテーション教師を組み合わせることで, 潜伏空間における形態的認識を向上し, HDBSCANに基づく階層性を考慮したコントラスト的損失を解消し, 階層レベルでの近縁なサブタイプ間の意思決定境界を改善する。 これらの構成要素は、自己指導型学習の傾向を減らし、粗い因子を過度に強調し、代わりに意味的および形態的手がかりと埋め込みを整列させる。 これにより、生物学的に意味のあるサブクラスターが微細な形態的詳細によって駆動される。 我々は、208の細胞クラスをカバーするラベル付きおよびラベルなしの20の顕微鏡データセットから集約された230万個の単細胞からなる培養コーパス上で、本手法を訓練し、評価した。 本手法は, 平均トップK精度を2.8%向上し, 最深層を有するデータセット上のトップ9検索を6.3%向上させ, 生体関連薬物分類のための下流F1スコアを7.8%向上させた。

関連論文リスト

• Beyond Flat Labels: Level-Restricted Contrastive Learning for Hierarchical Fine-Grained Vision Classification [50.20892407648858]
  マルチモーダルコントラスト学習は、画像とテキストカテゴリを整列させることで、ゼロショットの視覚的分類を可能にした。 既存の手法は、しばしば分類学レベルで矛盾する予測を生成する。 本稿では,各分類レベルが適切な最適化を受けることを保証するグループバランス設計を提案する。 我々は、BioCLIPに基づいてTreeOfLife-10Mでモデルをトレーニングし、複数の階層分類ベンチマークで評価する。
  論文  参考訳（メタデータ） (2026-06-20T02:12:05Z)
• CAPSUL: A Comprehensive Human Protein Benchmark for Subcellular Localization [50.559485139565076]
  我々は, 多様な3次元構造表現と微細な細胞内局在アノテーションを統合するデータセットである $mathbfCAPSUL$ という新しいベンチマークを導入する。 このベンチマークは、様々な最先端のシーケンスベースモデルと構造ベースモデルを用いて評価し、この課題に構造的特徴を関与させることの重要性を示す。 最後に,Golgi 装置のケーススタディを通じて,構造に基づく手法の強力な解釈可能性を示す。
  論文  参考訳（メタデータ） (2026-03-19T07:33:04Z)
• Hierarchical Classification for Improved Histopathology Image Analysis [7.036962871076997]
  HiClassは、組織像解析を改善するための階層的な分類フレームワークである。 HiClassは複数のインスタンス学習アプローチに基づいて構築されており、双方向機能統合を導入して拡張している。 4粒径,14粒径の胃生検データセットを用いたHiClassの性能評価を行った。
  論文  参考訳（メタデータ） (2026-02-28T07:01:04Z)
• Learning Cell-Aware Hierarchical Multi-Modal Representations for Robust Molecular Modeling [74.25438319700929]
  分子と細胞応答の局所的グローバル依存性をモデル化する堅牢なフレームワークであるCHMR(Cell-aware Hierarchical Multi-modal Representations)を提案する。 728タスクにまたがる9つの公開ベンチマークで評価され、CHMRは最先端のベースラインを上回っている。 その結果, 階層認識型マルチモーダル学習による分子表現の信頼性, 生物学的基盤化の利点が示された。
  論文  参考訳（メタデータ） (2025-11-26T07:15:00Z)
• Adaptive Multi-Scale Integration Unlocks Robust Cell Annotation in Histopathology Images [3.504506659662406]
  我々はXenium空間転写学からマーカー誘導されたデータセットを構築し、8つの臓器に200万セル以上の単一セル解像度ラベルを付けた。 我々は,核形態学と微小環境コンテキストの細胞レベルでのマルチスケール統合のための病理学ワークフローにインスパイアされたフレームワークであるNuClassを紹介する。 以上の結果から,多スケールで不確実性を考慮した核融合は,スライドレベルの病態基盤モデルと信頼度の高い細胞レベルの表現型予測とのギャップを埋める可能性が示唆された。
  論文  参考訳（メタデータ） (2025-11-17T16:49:59Z)
• Biologically Inspired Deep Learning Approaches for Fetal Ultrasound Image Classification [0.0]
  シンプルだが強力で生物学的にインスパイアされたディープラーニングアンサンブルフレームワークを導入します。 我々のモデルは2つの補足枝を積み重ねる(粗く、低解像度なキューのための「浅い」パスと、微細で高解像度な特徴のための「細い」パス)。 臨床画像5,298点を定期的に取得し,評価した。
  論文  参考訳（メタデータ） (2025-06-10T09:34:33Z)
• Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
  本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。 具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。 知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
  論文  参考訳（メタデータ） (2024-07-31T04:32:43Z)
• 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)
• CLASS-M: Adaptive stain separation-based contrastive learning with pseudo-labeling for histopathological image classification [1.9574002186090493]
  広範にラベル付けされたデータセットを必要としない半教師付きパッチレベルの組織像分類モデルであるCLASS-Mを提案する。 2つの明確な細胞腎細胞癌データセットの他の最先端モデルと比較した。
  論文  参考訳（メタデータ） (2023-12-12T04:38:30Z)
• Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
  我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。 クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。 本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
  論文  参考訳（メタデータ） (2023-11-28T09:14:55Z)
• Dynamic Sub-Cluster-Aware Network for Few-Shot Skin Disease Classification [31.539129126161978]
  本稿では,まれな皮膚疾患の診断における精度を高めるためのサブクラスタ・アウェア・ネットワーク(SCAN)という新しいアプローチを提案する。 SCANの設計を動機づける重要な洞察は、クラス内の皮膚疾患の画像が複数のサブクラスタを示すことが多いという観察である。 数発の皮膚疾患分類のための2つのパブリックデータセットに対する提案手法の評価を行った。
  論文  参考訳（メタデータ） (2022-07-03T16:06:04Z)
• The Overlooked Classifier in Human-Object Interaction Recognition [82.20671129356037]
  クラス間の意味的相関を分類ヘッドにエンコードし,重みをHOIの言語埋め込みで初期化する。 我々は,LSE-Sign という新しい損失を,長い尾を持つデータセット上でのマルチラベル学習を強化するために提案する。 我々は,物体検出と人間のポーズを明確なマージンで求める最先端技術よりも優れた,検出不要なHOI分類を可能にする。
  論文  参考訳（メタデータ） (2022-03-10T23:35:00Z)

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。