論文の概要: Toward Efficient Weakly Supervised Semantic Segmentation Using Only Low-Magnification Histopathological Images
- arxiv url: http://arxiv.org/abs/2607.10783v1
- Date: Sun, 12 Jul 2026 14:23:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 15:40:48.5288
- Title: Toward Efficient Weakly Supervised Semantic Segmentation Using Only Low-Magnification Histopathological Images
- Title（参考訳）: 低磁化組織像のみを用いた弱視的セマンティック・セマンティック・セグメンテーションの効率化に向けて
- Authors: Dung Minh Do, Nhat-Thanh Huynh, Duc Minh Huynh, Doanh C. Bui, Khang Nguyen,
- Abstract要約: 全スライディング画像(WSI)は、リッチな組織レベルおよび細胞レベル情報を提供する。
アノテーションが限定された低画像化病理画像は、高画像化に匹敵する性能を達成することができる。
- 参考スコア（独自算出の注目度）: 3.5122049834653706
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Whole-slide images (WSIs) provide rich tissue-level and cellular-level information, but storing and transmitting high-magnification pathology data is resource-intensive. Moreover, annotating WSIs at the pixel level is labor-intensive and time-consuming. Therefore, it is important to investigate whether low-magnification pathology images with limited annotations (i.e., image-level instead of pixel-level labels) can achieve performance comparable to high-magnification images. This paper presents a systematic benchmark study on weakly supervised histopathological image segmentation under different low-resolution storage settings. Starting from high-resolution image patches, we simulate lower-magnification inputs and reconstruct them to the original size using interpolation and deep learning-based reconstruction methods before applying the weakly-supervised segmentation pipeline. This framework enables a quantitative evaluation of how weakly supervised methods respond to different levels of resolution degradation. Experimental results show that reconstruction quality metrics alone are insufficient to predict downstream segmentation performance. In particular, the study identifies a critical degradation point where the localization of small-scale structures declines significantly. These findings provide practical guidance for designing efficient digital pathology storage systems while maintaining reliable automated analysis. Code is available at https://github.com/Dung-Dx/LowMagWSS
- Abstract（参考訳）: 全スライディング画像(WSI)は、リッチな組織レベルおよび細胞レベル情報を提供するが、高画像化病理データの保存と送信はリソース集約的である。
さらに、WSIをピクセルレベルでアノテートすることは、労働集約的で時間を要する。
したがって,アノテーションを限定した低画像化(ピクセルレベルラベルの代わりに画像レベル)が,高画像に匹敵する性能を達成できるかどうかを検討することが重要である。
本稿では,低解像度記憶環境下での弱教師付き病理像分割に関する系統的ベンチマークを行った。
高解像度画像パッチから始めて、弱い教師付きセグメンテーションパイプラインを適用する前に、補間および深層学習に基づく再構成手法を用いて、低画像入力をシミュレートし、元のサイズに再構成する。
この枠組みは、弱教師付き手法が様々な解像度分解にどのように反応するかを定量的に評価することを可能にする。
実験結果から,下流のセグメンテーション性能を予測するには,復元品質指標だけでは不十分であることが示唆された。
特に,小型構造物の局所化が著しく低下する臨界劣化点を同定した。
これらの知見は、信頼性の高い自動解析を維持しつつ、効率的なデジタル病理記憶システムを設計するための実用的なガイダンスを提供する。
コードはhttps://github.com/Dung-Dx/LowMagWSSで入手できる。
関連論文リスト
- Layout-Guided Controllable Pathology Image Generation with In-Context Diffusion Transformers [57.54843029965778]
制御可能な病理画像合成には、空間配置、組織形態、意味的詳細の信頼できる規制が必要である。
In-Context Diffusion Transformer (IC-DiT) は,空間レイアウト,テキスト記述,視覚的埋め込みを統合拡散変換器に組み込んだレイアウト認識生成モデルである。
IC-DiTは既存の方法よりも忠実度が高く、空間制御性が強く、診断の整合性が良くなる。
論文 参考訳（メタデータ） (2026-03-11T06:14:11Z) - Pathology Image Compression with Pre-trained Autoencoders [52.208181380986524]
デジタル病理学における全スライド画像は、記憶、伝達、計算効率の面で大きな課題をもたらす。
JPEGのような標準的な圧縮手法はファイルサイズを小さくするが、下流のタスクに不可欠な微細な表現型の詳細を保存できない。
本研究では,遅延拡散モデル用に設計されたオートエンコーダ(AE)を,病理画像の効率的な学習圧縮フレームワークとして再利用する。
論文 参考訳（メタデータ） (2025-03-14T17:01:17Z) - Semantic Segmentation Refiner for Ultrasound Applications with Zero-Shot Foundation Models [1.8142288667655782]
本稿では,抽象的な形状を分割するセグメンテーション基礎モデルの能力を利用した,プロンプトレスセグメンテーション手法を提案する。
本手法の利点は,小型筋骨格超音波画像データセットを用いた実験で明らかにされた。
論文 参考訳（メタデータ） (2024-04-25T04:21:57Z) - Realistic Data Enrichment for Robust Image Segmentation in
Histopathology [2.248423960136122]
拡散モデルに基づく新しい手法を提案し、不均衡なデータセットを、表現不足なグループから有意な例で拡張する。
本手法は,限定的な臨床データセットを拡張して,機械学習パイプラインのトレーニングに適したものにする。
論文 参考訳（メタデータ） (2023-04-19T09:52:50Z) - Multiscale Structure Guided Diffusion for Image Deblurring [24.09642909404091]
拡散確率モデル (DPM) は画像の劣化に用いられている。
暗黙のバイアスとして、単純だが効果的なマルチスケール構造ガイダンスを導入する。
目に見えないデータのアーティファクトが少ないほど、より堅牢なデブロアリング結果を示します。
論文 参考訳（メタデータ） (2022-12-04T10:40:35Z) - Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。
本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
論文 参考訳（メタデータ） (2021-08-19T11:02:25Z) - Brain tumor grade classification Using LSTM Neural Networks with Domain
Pre-Transforms [0.0]
本稿では,手工芸品の組み合わせに基づく弱教師付き画像分類手法を提案する。
本研究では,脳腫瘍のグレードを実験的に分類し,256 x 256の解像度で術式の評価を行った。
論文 参考訳（メタデータ） (2021-06-21T07:04:52Z) - Towards Robust Partially Supervised Multi-Structure Medical Image
Segmentation on Small-Scale Data [123.03252888189546]
データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。
マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。
本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
論文 参考訳（メタデータ） (2020-11-28T16:31:00Z) - Understanding and Diagnosing Vulnerability under Adversarial Attacks [62.661498155101654]
ディープニューラルネットワーク(DNN)は敵の攻撃に弱いことが知られている。
本稿では,潜在変数の分類に使用される特徴を説明するために,新しい解釈可能性手法であるInterpretGANを提案する。
また、各層がもたらす脆弱性を定量化する最初の診断方法も設計する。
論文 参考訳（メタデータ） (2020-07-17T01:56:28Z) - Invertible Image Rescaling [118.2653765756915]
Invertible Rescaling Net (IRN) を開発した。
我々は、ダウンスケーリングプロセスにおいて、指定された分布に従う潜在変数を用いて、失われた情報の分布をキャプチャする。
論文 参考訳（メタデータ） (2020-05-12T09:55:53Z)
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。