論文の概要: FTU-Seek: Foundation Model-Guided Hard-Negative Learning for Sparse Functional Tissue Unit Segmentation

• arxiv url: http://arxiv.org/abs/2609.00704v1
• Date: Tue, 01 Sep 2026 04:32:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.319943
• Title: FTU-Seek: Foundation Model-Guided Hard-Negative Learning for Sparse Functional Tissue Unit Segmentation
• Title（参考訳）: FTU-Seek:Sparse Functional tissue Unit Segmentationのための基礎モデルによるハード負学習
• Authors: Zonghao Liu, Lei Su, Jiguang Yu, Xuqing Geng, Louis Shuo Wang, Jianmin Wang, Jingfeng Liu,
• Abstract要約: 機能組織単位(FTU)は、組織学的に局所的な免疫、血管、上皮組織をコードする。 FTUは、しばしばスパースであり、異種であり、多くの形態学的に類似した背景組織に囲まれている。 FTU-Seekは、スパースFTUセグメンテーションのキーコンポーネントとして、負のパッチ選択を扱う。
• 参考スコア（独自算出の注目度）: 9.82530177123988
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Functional tissue units (FTUs), including tertiary lymphoid structures (TLSs), blood vessels, and glands, encode localized immune, vascular, and epithelial organization in histopathology. Accurate quantification of these structures is important for studying tissue architecture and disease-associated tissue organization. However, FTUs are frequently sparse, heterogeneous, and surrounded by large amounts of morphologically similar background tissue, making automated segmentation in whole-slide images (WSIs) challenging. We therefore developed FTU-Seek, a pathology foundation model-guided framework that treats morphology-aware negative-patch selection as a key component of sparse FTU segmentation. FTU-Seek uses frozen multi-depth features from the UNI pathology foundation model to train a patch-level classifier that distinguishes FTU-containing from FTU-absent tissue. Target-absent patches are subsequently ranked according to their predicted target-containing probabilities, and the highest-scoring hard negatives are selected through a static Top$K$ strategy to construct compact segmentation training sets. The framework was evaluated using five-fold cross-validation and internal test cohorts across TLS, blood-vessel, and gland segmentation tasks, with an additional independent 30-WSI held-out cohort for TLS. Positive-only, all-tissue, random-negative, and matched random Top$K$ sampling strategies served as comparators. Segmentation-derived phenotypes were further explored in external TCGA cohorts.
• Abstract（参考訳）: 第3のリンパ構造(TLS)、血管、腺を含む機能組織単位(FTU)は、組織学的に局所的な免疫、血管、上皮組織をコードする。 これらの構造の正確な定量化は、組織構造と疾患関連組織組織を研究する上で重要である。 しかし、FTUはしばしばスパースで異質であり、多くの形態学的に類似した背景組織に囲まれており、全スライディング画像(WSI)の自動分割は困難である。 そこで我々はFTU-Seekを開発した。FTUセグメンテーションのキーコンポーネントとして形態素認識のネガティブパッチ選択を扱う病理基盤モデル誘導フレームワークである。 FTU-Seekは、FTU含有組織とFTU含有組織を区別するパッチレベルの分類器を訓練するために、UNI病理基盤モデルからの凍結した多深度特徴を使用する。 その後、ターゲット依存パッチは予測された目標を含む確率に応じてランク付けされ、最も高いスコアのハード・ネガは、コンパクトなセグメンテーション・トレーニングセットを構築するための静的Top$K$戦略によって選択される。 この枠組みはTLS, 血管, 腺分画の5倍のクロスバリデーションと内部テストコホートを用いて評価され, 追加の独立した30-WSIホールドアウトコホートをTLSに導入した。 正にのみ、全タスク、ランダム陰性、一致したランダムなTop$K$サンプリング戦略はコンパレータとして機能した。 セグメンテーション由来の表現型は、外部のTCGAコホートでさらに研究された。

関連論文リスト

• VISTA-PATH: An interactive foundation model for pathology image segmentation and quantitative analysis in computational pathology [12.972784296124756]
  VISTA-PATHは、対話型、クラス対応の病理分類基盤モデルである。 臨床的解釈に直接意味のあるピクセルレベルのセグメンテーションを生成する。 VISTA-PATHは計算病理学において好適なモデルであることを示す。
  論文  参考訳（メタデータ） (2026-01-23T05:06:57Z)
• Tissue Aware Nuclei Detection and Classification Model for Histopathology Images [0.5219568203653522]
  組織認識核検出(TAND, tissue-Aware Nuclei Detection)は, 関節核の検出と分類を実現する新しいフレームワークである。 TANDは、ConvNeXtベースのエンコーダデコーダと凍結したVirchow-2組織セグメンテーションブランチを結合し、セマンティック組織確率は分類ストリームを選択的に調節する。 TANDは最先端のパフォーマンスを達成し、組織に依存しないベースラインとマスクを監督する手法の両方を超越する。
  論文  参考訳（メタデータ） (2025-11-17T17:21:05Z)
• VesSAM: Efficient Multi-Prompting for Segmenting Complex Vessel [68.24765319399286]
  本稿では,2次元血管セグメンテーションに適した,強力で効率的なフレームワークであるVesSAMを提案する。 VesSAMは、(1)局所的なテクスチャ機能を強化する畳み込みアダプタ、(2)解剖学的プロンプトを融合するマルチプロンプトエンコーダ、(3)ジャグアーティファクトを減らす軽量マスクデコーダを統合する。 VesSAMは、最先端のPEFTベースのSAMを10%以上のDiceと13%のIoUで一貫して上回っている。
  論文  参考訳（メタデータ） (2025-11-02T15:47:05Z)
• SG-CLDFF: A Novel Framework for Automated White Blood Cell Classification and Segmentation [0.0]
  SG-CLDFF(Saliency-Guided Cross-Layer Deep Feature Fusion framework) 軽量なハイブリッドバックボーン(Swin-style)は、ResNeXt-CCinspired cross-layer fusion moduleによって融合されたマルチレゾリューション表現を生成する。 解釈性はGrad-CAMビジュアライゼーションと唾液濃度の整合性チェックを通じて実施され、モデル決定を地域レベルで検査することができる。
  論文  参考訳（メタデータ） (2025-10-20T08:07:39Z)
• PASC-Net:Plug-and-play Shape Self-learning Convolutions Network with Hierarchical Topology Constraints for Vessel Segmentation [9.102738065373615]
  PASCNetと呼ばれる新しい容器分割フレームワークを提案する。 コンボリューションカーネル設計を最適化するプラグイン・アンド・プレイ型のセルフラーニング・コンボリューション(SSL)モジュールと、トポロジ的制約を通じて血管接続を保証する階層型トポロジカル・制約(HTC)モジュールである。 nnUNetフレームワークに統合された場合,本手法は複数の指標において他の手法よりも優れ,最先端の血管セグメンテーション性能が得られた。
  論文  参考訳（メタデータ） (2025-07-05T11:28:35Z)
• 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)
• HATs: Hierarchical Adaptive Taxonomy Segmentation for Panoramic Pathology Image Analysis [19.04633470168871]
  パノラマ画像分割は、形態学的に複雑で可変スケールの解剖学のため、顕著な課題である。 本稿では, 腎臓構造のパノラマ像を, 詳細な解剖学的知見を生かして網羅的に把握することを目的とした, 階層型適応分類法を提案する。 提案手法では,各領域,機能単位,細胞にまたがる空間的関係を多機能な「プラグ・アンド・プレイ」損失関数に変換する革新的HATs手法と,解剖学的階層化と大規模考察を,全パノラマ要素に統一された単純な行列表現に変換すること,そして,(3)。
  論文  参考訳（メタデータ） (2024-06-30T05:35:26Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)

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。