論文の概要: SomaNet: Weakly Supervised Learning for Instance Soma Segmentation in 3D Electron Microscopy with Partial Annotations

• arxiv url: http://arxiv.org/abs/2609.23019v1
• Date: Sat, 19 Sep 2026 13:37:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.649579
• Title: SomaNet: Weakly Supervised Learning for Instance Soma Segmentation in 3D Electron Microscopy with Partial Annotations
• Title（参考訳）: SomaNet: 部分アノテーションによる3次元電子顕微鏡におけるサンプルソマセグメンテーションのための弱教師付き学習
• Abstract要約: SomaNetは、部分的なアノテーション制約の下で、3D EMソマインスタンスセグメンテーションのための弱い教師付きフレームワークである。 SomaNetは,部分的アノテーションの下で様々なソマ形態を持つ領域間で,正確かつ堅牢なソマインスタンスセグメンテーションを実現する。
• 参考スコア（独自算出の注目度）: 43.31154198989996
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Soma instance segmentation, i.e., identifying and delineating individual cell somas as distinct instances, is crucial for cellular analysis and connectomic reconstruction. Three-dimensional electron microscopy (3D EM) provides nanometer-scale resolution for capturing fine-grained soma morphology. However, dense instance-level manual annotation is prohibitively costly, limiting the scalability of fully supervised methods. To address this challenge, we propose SomaNet, a weakly supervised framework for 3D EM soma instance segmentation under partial annotation constraints. SomaNet adopts a teacher--student learning paradigm tailored to partial labels. The teacher is trained using partially annotated data to generate pseudo-labels, while the student jointly learns from the partial ground-truth annotations and the generated pseudo-labels, progressively recovering dense instance segmentations. To accurately delineate cell somas under limited supervision with varying instance counts, SomaNet incorporates affinity learning, which encourages high similarity within instances and low similarity across instance boundaries. Semantic-guided affinity decoding and 2D-to-3D reconstruction then produce volumetrically consistent 3D soma instances while preserving the large receptive fields of 2D backbones. The framework is architecture-flexible and supports diverse backbones, including vision transformers and foundation models, enabling direct transfer of pretrained visual representations to volumetric EM segmentation. Experiments on 3D EM brain datasets demonstrate that SomaNet achieves accurate and robust soma instance segmentation across regions with diverse soma morphologies under partial annotation. Code is available at https://github.com/mkhateri/SomaNet.
• Abstract（参考訳）: ソマインスタンスセグメンテーション(ソマインスタンスセグメンテーション)、すなわち、個々のセルソマを異なるインスタンスとして同定し、デライン化することは、細胞解析と接続的再構成に不可欠である。 3次元電子顕微鏡(3D EM)は、微細なソマ形態を捉えるためのナノメートルスケールの分解能を提供する。 しかし、高密度なインスタンスレベルの手動アノテーションは、完全に教師されたメソッドのスケーラビリティを制限するため、極めてコストがかかる。 この課題に対処するために,部分的アノテーション制約下での3次元EMソマインスタンスセグメンテーションのための弱教師付きフレームワークであるSomaNetを提案する。 SomaNetは、部分的なラベルに合わせた教師中心の学習パラダイムを採用している。 教師は、部分的な注釈付きデータを用いて擬似ラベルを生成する一方、学生は部分的な接頭辞アノテーションと生成された擬似ラベルから共同で学習し、徐々に濃密なインスタンスセグメンテーションを回復する。 SomaNetは、インスタンス数に制限された監督下で正確にセルソマをデライン化するために、アフィニティ学習を導入し、インスタンス内の高い類似度とインスタンス境界間の低い類似度を促進する。 セマンティック誘導アフィニティデコーディングと2D-to-3D再構成は、2Dバックボーンの大きな受容野を保持しながら体積的に一貫した3Dソマインスタンスを生成する。 このフレームワークはアーキテクチャに柔軟で、視覚変換器や基礎モデルなど様々なバックボーンをサポートしており、事前訓練された視覚表現をボリュームEMセグメンテーションへ直接転送することができる。 3次元EM脳データセットの実験により、ソマネットは部分的アノテーションの下で様々なソマ形態を持つ領域間で正確で堅牢なソマインスタンスセグメンテーションを実現することが示された。 コードはhttps://github.com/mkhateri/SomaNet.comで入手できる。

関連論文リスト

• MORI-Seg: Learning Morphological Geometry for Instance Segmentation without Instance Annotations [8.822301906283052]
  インスタンスレベルのアノテーションを必要とせずにインスタンスセグメンテーションを可能にするディープラーニングフレームワークである Mori-Seg を提案する。 モリセグは分割やインスタンス管理を行う代わりに、意味マスクから直接形態学的に認識された幾何学的表現を学ぶ。 Mori-Segはセマンティックのみの監視の下で、接続されたセマンティック領域をエンドツーエンドの方法で個別のインスタンスマスクに分解する。
  論文  参考訳（メタデータ） (2026-05-27T10:11:30Z)
• SegGraph: Leveraging Graphs of SAM Segments for Few-Shot 3D Part Segmentation [20.143843470532946]
  本研究は, 少数の3次元部分分割のための新しいフレームワークを提案する。 既存の手法では、3D特徴学習のための幾何学的構造を無視するか、SAMの高品質なグループ化ヒントを無視している。 SAMのセグメント化マスク内に符号化された幾何学的特徴を明示的に学習するために,SegGraphと呼ばれる新しいSAMセグメントグラフベースの伝搬法を考案した。
  論文  参考訳（メタデータ） (2025-12-18T03:55:17Z)
• Bayesian Self-Training for Semi-Supervised 3D Segmentation [59.544558398992386]
  3Dセグメンテーションはコンピュータビジョンの中核的な問題である。 完全に教師されたトレーニングを採用するために、3Dポイントクラウドを密にラベル付けすることは、労働集約的で高価です。 半教師付きトレーニングは、ラベル付きデータの小さなセットのみを付与し、より大きなラベル付きデータセットを伴って、より実用的な代替手段を提供する。
  論文  参考訳（メタデータ） (2024-09-12T14:54:31Z)
• Few-Shot 3D Volumetric Segmentation with Multi-Surrogate Fusion [31.736235596070937]
  軽量マルチサロゲート融合(MSF)を用いた新しい3DセグメンテーションフレームワークMSFSegを提案する。 MSFSegは、1つまたは数個の注釈付き2Dスライスまたは3Dシーケンスセグメントを備えた、目に見えない3Dオブジェクト/組織(トレーニング中)を自動的に分割することができる。 提案するMSFモジュールは, ラベル付きスライスと少数のラベル付きスライス/シーケンス間の包括的および多彩な相関関係を, 複数の指定されたサロゲートを介して抽出する。
  論文  参考訳（メタデータ） (2024-08-26T17:15:37Z)
• Instance Consistency Regularization for Semi-Supervised 3D Instance Segmentation [50.51125319374404]
  ラベルのないデータから純粋なインスタンス知識を探索し活用するための,新たな自己学習ネットワークInsTeacher3Dを提案する。 複数の大規模データセットの実験結果から、InsTeacher3Dは最先端の半教師付きアプローチよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2024-06-24T16:35:58Z)
• SAI3D: Segment Any Instance in 3D Scenes [68.57002591841034]
  新規なゼロショット3Dインスタンスセグメンテーション手法であるSAI3Dを紹介する。 我々の手法は3Dシーンを幾何学的プリミティブに分割し、段階的に3Dインスタンスセグメンテーションにマージする。 ScanNet、Matterport3D、さらに難しいScanNet++データセットに関する実証的な評価は、我々のアプローチの優位性を示している。
  論文  参考訳（メタデータ） (2023-12-17T09:05:47Z)
• Weakly Supervised 3D Instance Segmentation without Instance-level Annotations [57.615325809883636]
  3Dセマンティックシーン理解タスクは、ディープラーニングの出現によって大きな成功を収めた。 本稿では,分類的セマンティックラベルのみを監督対象とする,弱制御型3Dインスタンスセマンティクス手法を提案する。 分類的セマンティックラベルから擬似インスタンスラベルを生成することで,アノテーションコストの低減で既存の3Dインスタンスセグメンテーションの学習を支援することができる。
  論文  参考訳（メタデータ） (2023-08-03T12:30:52Z)

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。