論文の概要: Unsupervised Learning of Cell Instances with Generative Routing Pyramids
- arxiv url: http://arxiv.org/abs/2608.16810v1
- Date: Mon, 17 Aug 2026 17:03:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.801826
- Title: Unsupervised Learning of Cell Instances with Generative Routing Pyramids
- Title（参考訳）: 生成的経路ピラミッドを用いたセルインスタンスの教師なし学習
- Abstract要約: 本稿では,未表示の顕微鏡画像からセルインスタンスのセグメンテーションと表現型分類のための新しい教師なし手法について述べる。
本手法は,画素を空間的に粗い遅延源に関連付ける粗いルーティングピラミッドを用いて,各画像の再構成を行う。
多様な細胞形態と画像モダリティにまたがるインスタンスセグメンテーションにおける競合性能を示す。
- 参考スコア（独自算出の注目度）: 3.910659311729392
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Identifying and representing object instances such as cells or nuclei is a common task in microscopy image analysis. Established machine learning workflows typically use supervised detection or segmentation followed by feature extraction or classification, which requires manual annotations and treats instance segmentation and cell representation as separate stages. We describe a new unsupervised method for cell instance segmentation and phenotypic classification from unlabeled microscopy images. Our method is based on reconstructing each image using a coarse-to-fine routing pyramid that associates pixels with spatially sparse latent sources. The resulting pixel-to-latent associations yield instance masks, while the source latents encode cell morphology. We demonstrate competitive performance in instance segmentation across diverse cell morphologies and imaging modalities, as well as generative modeling of cellular phenotypes under perturbations. Source code and checkpoints are available at https://github.com/weigertlab/routing-pyramids.
- Abstract（参考訳）: 細胞や核のようなオブジェクトのインスタンスを識別し、表現することは、顕微鏡画像解析において一般的な課題である。
確立された機械学習ワークフローは、典型的には教師付き検出またはセグメンテーションを使用し、次に特徴抽出または分類を行う。
本稿では,未表示の顕微鏡画像からセルインスタンスのセグメンテーションと表現型分類のための新しい教師なし手法について述べる。
本手法は,画素を空間的に粗い遅延源に関連付ける粗いルーティングピラミッドを用いて,各画像の再構成を行う。
結果として生じるピクセルからラテントへの関連はインスタンスマスクとなり、ソースラテントは細胞形態をコードする。
多様な細胞形態や画像モダリティにまたがるインスタンスセグメンテーションにおける競合性能と、摂動下での細胞表現型の生成モデルを示す。
ソースコードとチェックポイントはhttps://github.com/weigertlab/routing-pyramids.comで入手できる。
関連論文リスト
- End-to-End Cell Detection via Instance-aware Graph Modeling [31.98156719497261]
細胞検出と分類のためのエンドツーエンドフレームワークを提案する。
動的グラフ構築モジュールとインスタンス対応グラフネットワークが組み込まれている。
本手法は,検出性能と分類性能の両方において既存手法よりも優れていた。
論文 参考訳（メタデータ） (2026-09-14T10:37:19Z) - Self-supervised Representation Learning with Local Aggregation for Image-based Profiling [84.52554180480037]
画像に基づく細胞プロファイリングは、細胞画像の情報表現を作成することを目的としている。
非コントラスト型自己監督学習の最近の進歩は,本論文にインスピレーションを与えている。
本稿では,セル画像に適したデータ拡張と表現後処理手法を提案する。
論文 参考訳（メタデータ） (2025-06-17T07:25:57Z) - Unsupervised cell segmentation by fast Gaussian Processes [6.709057867802485]
ノイズ顕微鏡画像に対する高速ガウス過程に基づく新規な教師なしセル分割アルゴリズムを開発した。
異なる部位の異なる輝度を含む異種画像に適応し、背景から物体を分離する頑健な閾値基準を導出した。
論文 参考訳（メタデータ） (2025-05-24T23:28:14Z) - 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) - CellMixer: Annotation-free Semantic Cell Segmentation of Heterogeneous
Cell Populations [9.335273591976648]
異種細胞集団のセマンティックセグメンテーションのための革新的なアノテーションのないアプローチであるCellMixerを提案する。
以上の結果から,CellMixerは複数のセルタイプにまたがる競合セグメンテーション性能と画像モダリティを実現することができることがわかった。
論文 参考訳（メタデータ） (2023-12-01T15:50:20Z) - Multi-stream Cell Segmentation with Low-level Cues for Multi-modality
Images [66.79688768141814]
我々は,顕微鏡画像のラベル付けを行うセル分類パイプラインを開発した。
次に、分類ラベルに基づいて分類モデルを訓練する。
2種類のセグメンテーションモデルを、丸みを帯びた形状と不規則な形状のセグメンテーションセルに展開する。
論文 参考訳（メタデータ） (2023-10-22T08:11:08Z) - 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) - A Generalist Framework for Panoptic Segmentation of Images and Videos [61.61453194912186]
我々は,タスクの帰納バイアスに頼ることなく,離散的なデータ生成問題としてパノプティクスセグメンテーションを定式化する。
単純な構造と一般的な損失関数を持つパノスコープマスクをモデル化するための拡散モデルを提案する。
本手法は,動画を(ストリーミング環境で)モデル化し,オブジェクトのインスタンスを自動的に追跡することを学ぶ。
論文 参考訳（メタデータ） (2022-10-12T16:18:25Z) - Learning multi-scale functional representations of proteins from
single-cell microscopy data [77.34726150561087]
局所化分類に基づいて訓練された単純な畳み込みネットワークは、多様な機能情報をカプセル化したタンパク質表現を学習できることを示す。
また,生物機能の異なるスケールでタンパク質表現の質を評価するためのロバストな評価戦略を提案する。
論文 参考訳（メタデータ） (2022-05-24T00:00:07Z) - Search for temporal cell segmentation robustness in phase-contrast
microscopy videos [31.92922565397439]
本研究では,3次元コラーゲンマトリックスに埋め込まれた癌細胞を分画する深層学習ワークフローを提案する。
また, 癌細胞形態を研究するための幾何学的特徴付け手法を提案する。
2Dセルのセグメンテーションと追跡のための新しいアノテーション付きデータセットと、実験を再現したり、新しい画像処理問題に適応するためのオープンソース実装を導入する。
論文 参考訳（メタデータ） (2021-12-16T12:03:28Z) - Enforcing Morphological Information in Fully Convolutional Networks to
Improve Cell Instance Segmentation in Fluorescence Microscopy Images [1.408123603417833]
本稿では,よく知られたU-Netアーキテクチャに基づく新しいセルインスタンス分割手法を提案する。
深部距離変換器(DDT)がバックボーンモデルとして機能する。
その結果,従来のU-Netアーキテクチャよりも性能が向上することが示唆された。
論文 参考訳（メタデータ） (2021-06-10T15:54:38Z) - Few-Shot Microscopy Image Cell Segmentation [15.510258960276083]
顕微鏡画像におけるセルの自動セグメンテーションは、完全な監視で訓練されたディープニューラルネットワークのサポートとうまく機能する。
本稿では,細胞を分割し,セグメント化結果を分類境界から切り離すための3つの目的関数の組み合わせを提案する。
5つの公開データベースに対する実験は、1ショットから10ショットのメタラーニングによる有望な結果を示している。
論文 参考訳（メタデータ） (2020-06-29T12:12:10Z)
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。