論文の概要: MARC: Morphology-Aware Regression of Consensus for Cell Segmentation in Subcellular Spatial Transcriptomics
- arxiv url: http://arxiv.org/abs/2609.13665v1
- Date: Sat, 12 Sep 2026 02:48:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:05.457587
- Title: MARC: Morphology-Aware Regression of Consensus for Cell Segmentation in Subcellular Spatial Transcriptomics
- Title（参考訳）: MARC : 細胞内空間転写学におけるコンセンサスによる細胞分節化
- Abstract要約: SSTセグメンテーションのためのマルチメソッドコンセンサス支援マップを予測するフレームワークであるMARC(Morphology-Aware Regression of Consensus)を提案する。
MARCは、個別のコンセンサス・ターゲットと、候補者とコンセンサス・フォアグラウンドの監督に焦点を当てたフォアグラウンド・ユニニオン・コンセンサス・ロスで訓練されている。
予測されたコンセンサスマップは,弱い支持地域をローカライズしつつ,コンセンサスに基づくランキングを保存し,手作業によるレビューのために低コンセンサスセルを特定することを実証した。
- 参考スコア（独自算出の注目度）: 10.427906764967455
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate cell segmentation remains a major bottleneck in subcellular spatial transcriptomics (SST), in which morphological images and spatially resolved RNA transcripts are used to partition tissues into individual cellular instances. As segmentation serves as the foundation for constructing cell-level representations, boundary errors can lead to incorrect transcript assignments and compromise downstream analyses. However, reliable ground-truth boundaries are unavailable because they must be inferred from incomplete morphological and transcript signals. Furthermore, manual annotation of a large number of cells is time-consuming. Agreement among complementary segmentation methods provides a practical surrogate for identifying well-supported and ambiguous regions, but explicit consensus construction requires executing multiple computationally intensive pipelines. In this study, we propose MARC (Morphology-Aware Regression of Consensus), a framework that predicts a multi-method consensus-support map for SST segmentation. MARC is trained with leave-one-method-out consensus pseudo-targets and a Foreground-Union Consensus Loss that focuses supervision on candidate and consensus foreground. We evaluated MARC on 4,642 held-out tiles from Xenium kidney tissue, achieving a mean Dice score of 0.90, a mean intersection-over-union of 0.82, and a mean cell-level Spearman correlation of 0.79 against explicitly computed cross-method consensus maps. We demonstrate that the predicted consensus maps localise weakly supported regions while preserving consensus-based rankings and identifying low-consensus cells for manual review. These results show that MARC closely approximates explicit cross-method consensus without multi-method inference and therefore has the potential to facilitate robust, consensus-aware evaluation of cell segmentation in large-scale SST studies.
- Abstract（参考訳）: 正確な細胞断片化は、組織を個々の細胞インスタンスに分割するために形態学的画像と空間的に解決されたRNA転写物を使用する細胞内空間転写学(SST)において大きなボトルネックとなっている。
セグメンテーションが細胞レベルでの表現を構築する基盤となるため、境界誤差は誤った書き起こしの割り当てや下流の分析の妥協につながる可能性がある。
しかし、不完全な形態学的および転写学的信号から推測されなければならないため、信頼性の高い地上構造境界は利用できない。
さらに、多数の細胞の手動アノテーションは時間がかかります。
補完的セグメンテーション法間の合意は、よく支持された領域とあいまいな領域を特定するための実用的なサロゲートを提供するが、明示的なコンセンサス構築には、複数の計算集約的なパイプラインを実行する必要がある。
本研究では,MARC(Morphology-Aware Regression of Consensus)を提案する。
MARCは、個別のコンセンサス・ターゲットと、候補者とコンセンサス・フォアグラウンドの監督に焦点を当てたフォアグラウンド・ユニニオン・コンセンサス・ロスで訓練されている。
MARCをXenium腎組織から採取した4,642個の保持タイルで評価し,平均Diceスコア0.90,平均交叉結合0.82,平均セルレベルSpearman相関0.79,明示的に計算されたクロスメタルコンセンサスマップとの比較を行った。
予測されたコンセンサスマップは,弱い支持地域をローカライズしつつ,コンセンサスに基づくランキングを保存し,手作業によるレビューのために低コンセンサスセルを特定することを実証した。
これらの結果から,MARCはマルチメソッド推論を伴わない明示的クロスメタルコンセンサスを近似し,大規模なSST研究において,セルセグメンテーションの堅牢でコンセンサスに配慮した評価を容易にする可能性が示唆された。
関連論文リスト
- Structuring Semantic Embeddings for Principle Evaluation: A Prototype-Guided Contrastive Learning Approach [58.15427952222424]
汎用的なテキスト埋め込みはそのようなタスクに広くデプロイされているが、意味的類似性は意味的に似ているがタスク固有の例を示すことができる。
本稿では,凍結したテキスト埋め込み上に構築された幾何正規化モジュールであるPGCL(Prototype-Guided Contrastive Learning)を紹介する。
論文 参考訳（メタデータ） (2026-08-15T13:19:25Z) - MAT-Cell: A Multi-Agent Tree-Structured Reasoning Framework for Batch-Level Single-Cell Annotation [81.82645086402366]
MAT-Cellは,単細胞解析を構築的で検証可能な証明生成に再構成する,ニューロシンボリック推論フレームワークである。
MAT-Cellは、適応型レトリーバル増強生成(RAG)を通じて、生物学的公理の基底神経推論に象徴的な制約を注入し、転写ノイズを減少させる。
最先端のSOTA(State-of-the-art)モデルを大幅に上回り、挑戦的なシナリオにおいて堅牢なパフォーマンスを維持します。
論文 参考訳（メタデータ） (2026-04-07T04:56:06Z) - MATCH: Multi-faceted Adaptive Topo-Consistency for Semi-Supervised Histopathology Segmentation [15.740955468843035]
本稿では,関係するトポロジ的特徴を頑健に識別し,保存する半教師付きセグメンテーションフレームワークを提案する。
この一貫性機構は、生物学的に意味のある構造と過渡的およびノイズのある人工物とを区別するのに役立つ。
空間重なりとグローバルな構造アライメントを統合する新しいマッチング戦略を導入する。
論文 参考訳（メタデータ） (2025-10-02T00:08:28Z) - Uncertainty-aware Cross-training for Semi-supervised Medical Image Segmentation [45.96892342675963]
半教師型医療画像(UC-Seg)のための不確実性を考慮したクロストレーニングフレームワークを提案する。
本手法は,他の最先端半教師付き手法と比較して,セグメンテーション精度と一般化性能に優れる。
論文 参考訳（メタデータ） (2025-08-12T15:28:10Z) - SemSim: Revisiting Weak-to-Strong Consistency from a Semantic Similarity Perspective for Semi-supervised Medical Image Segmentation [18.223854197580145]
医用画像分割のための半教師付き学習(SSL)は難しいが、非常に実践的な課題である。
セムシム(SemSim)という名前のFixMatchに基づく新しいフレームワークを提案する。
SemSimは3つの公開セグメンテーションベンチマークで最先端の手法よりも一貫した改善をもたらすことを示す。
論文 参考訳（メタデータ） (2024-10-17T12:31:37Z) - Revisiting Adaptive Cellular Recognition Under Domain Shifts: A Contextual Correspondence View [49.03501451546763]
生物学的文脈における暗黙の対応の重要性を明らかにする。
モデル構成成分間のインスタンス認識トレードオフを確保するために, 自己適応型動的蒸留を提案する。
論文 参考訳（メタデータ） (2024-07-14T04:41:16Z) - Stochastic Segmentation with Conditional Categorical Diffusion Models [3.8168879948759953]
Denoising Diffusion Probabilistic Models に基づくセマンティックセグメンテーションのための条件カテゴリー拡散モデル(CCDM)を提案する。
以上の結果から,CCDMはLIDC上での最先端性能を実現し,従来のセグメンテーションデータセットであるCityscapesのベースラインよりも優れていた。
論文 参考訳（メタデータ） (2023-03-15T19:16:47Z) - 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) - Corneal endothelium assessment in specular microscopy images with Fuchs'
dystrophy via deep regression of signed distance maps [48.498376125522114]
本稿では,UNetをベースとしたセグメンテーション手法を提案する。
これは、フックスのジストロフィーの全度にわたって、信頼できるCE形態計測と腸骨同定を実現する。
論文 参考訳（メタデータ） (2022-10-13T15:34:20Z) - Inconsistency-aware Uncertainty Estimation for Semi-supervised Medical
Image Segmentation [92.9634065964963]
我々は、不確実性推定と個別の自己学習戦略に基づいて、新しい半教師付きセグメンテーションモデル、すなわち保守的ラディカルネットワーク(CoraNet)を提案する。
現在の技術と比較すると、ColaNetは優れたパフォーマンスを示しています。
論文 参考訳（メタデータ） (2021-10-17T08:49:33Z) - Dense Regression Activation Maps For Lesion Segmentation in CT scans of
COVID-19 patients [9.313053265087262]
重回帰アクティベーションマップ(dRAM)に基づく弱教師付きセグメンテーション手法を提案する。
提案手法は,CAMに基づく弱教師付きセグメンテーション方式の0.335から0.495への結合を著しく改善する。
論文 参考訳（メタデータ） (2021-05-25T08:29:35Z)
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。