論文の概要: ProBAG: Prototype-Guided Boundary-Aware Graph Diffusion for Weakly Supervised Histopathology Segmentation

• arxiv url: http://arxiv.org/abs/2608.11765v1
• Date: Wed, 12 Aug 2026 08:05:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.511357
• Title: ProBAG: Prototype-Guided Boundary-Aware Graph Diffusion for Weakly Supervised Histopathology Segmentation
• Title（参考訳）: ProBAG(Prototype-Guided boundary-Aware Graph Diffusion)
• Abstract要約: 弱教師付きセマンティックセグメンテーションは、画像レベルのアノテーションから組織組織セグメンテーションを可能にする。 ProBAGは、データセット固有の視覚プロトタイプと、病理に整合したCONCHテキストプロトタイプを組み合わせたステージ1擬似マスクジェネレータである。 BCSS-WSSS と LUAD-HistoSeg の実験は、最近の WSSS アプローチよりも一貫した利得を示している。
• 参考スコア（独自算出の注目度）: 1.8629748140948348
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Weakly supervised semantic segmentation enables histopathology tissue segmentation from image-level annotations, avoiding costly pixel-level labeling by expert pathologists. However, CAM-based methods often localize only highly discriminative regions and remain unreliable near tissue interfaces. We propose ProBAG, a stage-1 pseudo-mask generator that combines dataset-specific visual prototypes with pathology-aligned CONCH text prototypes over multi-scale frozen UNI features. ProBAG introduces two complementary mechanisms: class-wise power recalibration that reshapes inter-class competition while preserving the total foreground activation mass at each pixel, and one-step graph diffusion in which feature affinities are penalized by a late-transformer attention-context discrepancy used as a soft structural boundary cue. The resulting stage-1 pseudo-masks require neither CRF nor an external segmentation model; for complete two-stage comparison, they additionally supervise a downstream Phikon-FPN segmenter. Experiments on BCSS-WSSS and LUAD-HistoSeg show consistent gains over recent WSSS approaches, while ablations indicate that pathology-aligned text semantics provide the largest improvement and graph refinement provides a smaller complementary gain. The code is available at: https://github.com/wterrr/WSSS
• Abstract（参考訳）: 弱教師付きセマンティックセグメンテーションは、画像レベルのアノテーションから組織組織セグメンテーションを可能にし、専門家の病理学者による高価なピクセルレベルのラベル付けを避ける。 しかし、CAMベースの手法は、しばしば高度に識別された領域のみを局在させ、組織界面の近くでは信頼性が保たれる。 ProBAGは、データセット固有の視覚プロトタイプと、マルチスケール凍結UNI機能上でのコンチテキストプロトタイプを組み合わせたステージ1擬似マスクジェネレータである。 ProBAGは2つの相補的なメカニズムを導入し、各画素における全前景アクティベーション質量を保ちながらクラス間の競争を再現するクラスワイドパワーリカレーションと、ソフトな構造境界キューとして使われる遅延変換器の注意-コンテキストの差分によって特徴親和性がペナル化される1ステップグラフ拡散を導入する。 得られたステージ1擬似マスクは、CRFも外部セグメンテーションモデルも必要とせず、完全な2段階比較では、下流のPhikon-FPNセグメンタを監督する。 BCSS-WSSS と LUAD-HistoSeg の実験では最近の WSSS のアプローチに比べて一貫した向上がみられ,また,病理的なテキストセマンティクスが最大の改善をもたらし,グラフの洗練が相補的な改善をもたらすことが示唆されている。 コードは、https://github.com/wterrr/WSSSで入手できる。

関連論文リスト

• UniSemAlign: Text-Prototype Alignment with a Foundation Encoder for Semi-Supervised Histopathology Segmentation [0.046180371154032895]
  マルチモーダルなセマンティックアライメントフレームワークUniSemAlignを提案する。 これは、明示的なクラスレベルの構造をピクセル単位の学習に注入することで、視覚的セグメンテーションを強化する。 教師付きセグメンテーション、クロスビュー一貫性、モーダルアライメントの目的でエンドツーエンドにトレーニングされている。
  論文  参考訳（メタデータ） (2026-04-10T09:53:33Z)
• Make It Up: Fake Images, Real Gains in Generalized Few-shot Semantic Segmentation [49.73871999518061]
  一般小ショットセマンティックセマンティックセグメンテーション(GFSS)は、アノテーションの不足による新規クラスの出現のカバレッジによって、基本的に制限されている。 提案するSyn4Segは,新しいクラスの範囲を広げつつ,擬似ラベル品質を改善したGFSSフレームワークである。
  論文  参考訳（メタデータ） (2026-03-28T09:22:50Z)
• Making Training-Free Diffusion Segmentors Scale with the Generative Power [118.72472901404814]
  一連の研究は、事前学習された拡散モデルを、それ以上の訓練をせずに意味的セグメンテーションに適応することに焦点を当てている。 本稿では,自動アグリゲーションと画素単位の再スケーリングという2つの手法を提案する。
  論文  参考訳（メタデータ） (2026-03-06T11:35:37Z)
• Graph-Theoretic Consistency for Robust and Topology-Aware Semi-Supervised Histopathology Segmentation [2.547516931540122]
  半教師付きセマンティックセグメンテーション(SSSS)は、高密度アノテーションが高価で制限される計算病理学において不可欠である。 本稿では、ラプラシアンスペクトル、成分数、および予測グラフと参照間の隣接統計を整列させることにより、グラフ理論の制約を統合するフレームワークであるTopology Graph Consistency (TGC)を提案する。
  論文  参考訳（メタデータ） (2025-09-19T04:41:03Z)
• Multimodal Prototype Alignment for Semi-supervised Pathology Image Segmentation [9.790130257265217]
  MPAMatchは,マルチモーダルプロトタイプ誘導監視パラダイムの下で画素レベルのコントラスト学習を行う,新たなセグメンテーションフレームワークである。 MPAMatchの中核的な革新は、画像プロトタイプとピクセルラベル、およびテキストプロトタイプとピクセルラベルの間の二重コントラスト学習方式にある。 さらに,ViTバックボーンを病理予知基盤モデル(Uni)に置き換えることで,古典的セグメンテーションアーキテクチャ(TransUNet)を再構築する。
  論文  参考訳（メタデータ） (2025-08-27T05:15:13Z)
• PathSegDiff: Pathology Segmentation using Diffusion model representations [63.20694440934692]
  そこで我々は,Latent Diffusion Models (LDMs) を事前学習した特徴抽出器として活用する,病理組織像分割の新しい手法であるPathSegDiffを提案する。 本手法は,H&E染色組織像から多彩な意味情報を抽出するために,自己教師型エンコーダによって誘導される病理特異的LCMを用いる。 本実験は,BCSSおよびGlaSデータセットにおける従来の手法よりも大幅に改善されたことを示す。
  論文  参考訳（メタデータ） (2025-04-09T14:58:21Z)
• Unsupervised Universal Image Segmentation [59.0383635597103]
  本稿では,Unsupervised Universal Model (U2Seg) を提案する。 U2Segは、自己教師付きモデルを利用して、これらのセグメンテーションタスクの擬似意味ラベルを生成する。 次に、これらの擬似意味ラベル上でモデルを自己学習し、かなりの性能向上をもたらす。
  論文  参考訳（メタデータ） (2023-12-28T18:59:04Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Semantic Connectivity-Driven Pseudo-labeling for Cross-domain Segmentation [89.41179071022121]
  自己学習はドメイン間セマンティックセグメンテーションにおいて一般的なアプローチである。 本稿ではセマンティック・コネクティビティ駆動の擬似ラベル方式を提案する。 このアプローチは、接続レベルにおいて擬似ラベルを定式化し、構造的および低雑音のセマンティクスの学習を容易にする。
  論文  参考訳（メタデータ） (2023-12-11T12:29:51Z)
• High-fidelity Pseudo-labels for Boosting Weakly-Supervised Segmentation [17.804090651425955]
  画像レベルの弱い教師付きセグメンテーション(WSSS)は、トレーニング中にセグメンテーションマスクを代理することで、通常膨大なデータアノテーションコストを削減する。 本研究は,GAPの代替となる重要サンプリングと特徴類似性損失という,CAMを改善するための2つの手法に基づく。 複数の独立二項問題の後部二項問題に基づいて両手法を再構成する。 パフォーマンスが向上し、より一般的なものになり、事実上あらゆるWSSSメソッドを増強できるアドオンメソッドが出来上がります。
  論文  参考訳（メタデータ） (2023-04-05T17:43:57Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• Multi-Layer Pseudo-Supervision for Histopathology Tissue Semantic Segmentation using Patch-level Classification Labels [26.349051136954195]
  本稿では,病理組織像の組織的セグメンテーションを実現するために,パッチレベルの分類ラベルのみを用いる。 画素レベルのアノテーションとパッチレベルのアノテーションの間の情報ギャップを減らすために、いくつかの技術革新が提案されている。 提案手法は, 最先端の2つのWSSS手法より優れている。
  論文  参考訳（メタデータ） (2021-10-14T08:02:07Z)
• Weakly-Supervised Segmentation for Disease Localization in Chest X-Ray Images [0.0]
  医用胸部X線画像のセマンティックセグメンテーションに対する新しいアプローチを提案する。 本手法は肺と胸壁の間の異常な空気量を検出するための胸部X線検査に適用可能である。
  論文  参考訳（メタデータ） (2020-07-01T20:48:35Z)

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。