論文の概要: Comprehensive Evaluation and Fine-Tuning of Foundational Cell Nuclei Segmentation Models in Renal Pathology

• arxiv url: http://arxiv.org/abs/2610.07711v1
• Date: Tue, 06 Oct 2026 04:05:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.793534
• Title: Comprehensive Evaluation and Fine-Tuning of Foundational Cell Nuclei Segmentation Models in Renal Pathology
• Title（参考訳）: 腎疾患における基礎細胞核分節モデルの包括的評価と微調整
• Abstract要約: 汎用モデルは、しばしば低コントラスト、高密度核、複雑な形態、強い背景染色に苦しむ。 我々は,5,901のファンデーションモデル生成擬似ラベルを組み合わせることで,ループ内のヒューマン・イン・ザ・ループ・フレームワークを拡張した。 微調整によって全てのモデルが改善され、Mediumデータは9つの最高のパフォーマンス戦略のうち7つに含まれている。
• 参考スコア（独自算出の注目度）: 5.955475151530131
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate nuclei instance segmentation is essential for quantitative renal pathology, yet general-purpose models often struggle with low contrast, dense nuclei, complex morphology, and strong background staining. In this work, we extended a human-in-the-loop framework by combining 5,901 foundation-model-generated pseudo-labels from well-segmented cases (Easy), 860 newly expert-annotated unresolved challenging cases (Medium), and 198 expert-annotated consensus failure cases (Hard). These annotations, spanning different levels of segmentation difficulty, enabled the systematic evaluation of seven single-source and mixed-source fine-tuning strategies across nine cell segmentation model configurations. Fine-tuning improved all models, with Medium data included in seven of the nine best-performing strategies. LSP-DETR achieved the highest F1 score of 0.8725 with Hard-only fine-tuning, while StarDist showed the largest improvement, increasing from 0.7380 to 0.8332 with Medium-only fine-tuning. These findings show that annotations spanning multiple difficulty levels support effective model adaptation, although the optimal annotation composition remains model dependent.
• Abstract（参考訳）: 正確な核のインスタンス・セグメンテーションは定量的腎病理学に必須であるが、汎用モデルは低コントラスト、高密度核、複雑な形態、強い背景染色に苦しむことが多い。 本研究では,5,901のファンデーションモデル生成擬似ラベルを,よく分類されたケース (Easy), 860の新たな専門家による未解決問題 (Medium), 198の専門家によるコンセンサス障害 (Hard) から組み合わせて,ループ型フレームワークを拡張した。 これらのアノテーションは、セグメンテーションの難易度が異なるため、9つのセルセグメンテーションモデル構成にまたがる7つの単一ソースおよび混合ソースの微調整戦略の体系的評価を可能にした。 微調整によって全てのモデルが改善され、Mediumデータは9つの最高のパフォーマンス戦略のうち7つに含まれている。 LSP-DETRはハードのみの微調整で0.8725点、スターディストは0.7380点から0.8332点に増加し、ミディアムのみの微調整で0.8725点を記録した。 これらの結果から,複数の難易度にまたがるアノテーションは効果的なモデル適応を支援するが,最適なアノテーション構成はモデル依存のままであることがわかった。

関連論文リスト

• Lesion Segmentation in Moderate to Severe Traumatic Brain Injury: An nnU-Net Based Approach with Adaptive Normalization in the AIMS-TBI 2025 Challenge [0.6894744675083238]
  われわれはmsTBI病変分節の深層学習による解決法を提案する。 本手法は,脳小葉に限った適応性強度正規化戦略を持つnnU-Netフレームワークを用いている。
  論文  参考訳（メタデータ） (2026-07-14T12:10:54Z)
• Towards Multidisciplinary Summarization of Hospital Stays: Efficient Sentence-Level Clinical Provenance Categorization [10.976481873409531]
  本研究では,大規模言語モデル (LLM) の教師付き微調整 (SFT) を用いた臨床経験分類パイプラインを提案する。 2つのLlama-3モデルを2,002MIMIC-III(Adult ICU)コーパスであるMedSecIdに適応した。 モデル容量 (8B vs. 70B) と227文レベルのゴールド標準データセットを用いた定量化を行った。
  論文  参考訳（メタデータ） (2026-06-01T16:57:51Z)
• Diagnosing Heteroskedasticity and Resolving Multicollinearity Paradoxes in Physicochemical Property Prediction [0.2330146832085843]
  PubChem, ChEMBL, eMoleculesデータベースから426,850個の生物活性分子を解析した。 計算された logP 値を予測する線形モデルでは, 重度のヘテロスケダスト性が確認された。 木に基づくアンサンブル法は本質的にヘテロスケダスティック性に強く,予測性能は優れていた。
  論文  参考訳（メタデータ） (2025-12-31T05:32:13Z)
• MIDOG 2025 Track 2: A Deep Learning Model for Classification of Atypical and Normal Mitotic Figures under Class and Hardness Imbalances [0.0]
  本稿では,ResNetのバックボーンをベースとした新しいディープラーニング手法を提案する。 我々のアーキテクチャは、ミトティックフィギュア表現型とインスタンスの難易度を同時にモデル化する。
  論文  参考訳（メタデータ） (2025-09-01T15:12:05Z)
• Hybrid-Segmentor: A Hybrid Approach to Automated Fine-Grained Crack Segmentation in Civil Infrastructure [52.2025114590481]
  エンコーダ・デコーダをベースとした手法であるHybrid-Segmentorを導入する。 これにより、モデルは、様々な種類の形状、表面、き裂の大きさを区別する一般化能力を向上させることができる。 提案モデルは,5つの測定基準(精度0.971,精度0.804,リコール0.744,F1スコア0.770,IoUスコア0.630)で既存ベンチマークモデルより優れ,最先端の状態を達成している。
  論文  参考訳（メタデータ） (2024-09-04T16:47:16Z)
• Towards A Generalizable Pathology Foundation Model via Unified Knowledge Distillation [41.25398139658467]
  現在の基礎モデルは限定型とタスク数でのみ評価されており、その一般化能力と全体的な性能は不明確である。 本研究は,6つの異なる臨床タスクタイプにわたる既成基礎モデルの性能を評価するためのベンチマークを構築した。 本稿では, エキスパートと自己知識の双方からなる統合された知識蒸留フレームワークを提案し, モデルが複数のエキスパートモデルの知識から学べるようにした。
  論文  参考訳（メタデータ） (2024-07-26T01:12:54Z)
• A three in one bottom-up framework for simultaneous semantic segmentation, instance segmentation and classification of multi-organ nuclei in digital cancer histology [3.2228025627337864]
  デジタル組織学における核の同時セグメンテーションと分類は、コンピュータによるがん診断において重要な役割を担っている。 最も達成されたバイナリとマルチクラスのPanoptic Quality (PQ)は、それぞれ0.68 bPQと0.49 mPQである。 この作業は、以前のモデルを同時インスタンスのセグメンテーションと分類に拡張します。
  論文  参考訳（メタデータ） (2023-08-22T04:10:14Z)
• A Meta-GNN approach to personalized seizure detection and classification [53.906130332172324]
  本稿では,特定の患者に限られた発作サンプルから迅速に適応できるパーソナライズされた発作検出・分類フレームワークを提案する。 トレーニング患者の集合からグローバルモデルを学ぶメタGNNベースの分類器を訓練する。 本手法は, 未確認患者20回に限って, 精度82.7%, F1スコア82.08%を達成し, ベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2022-11-01T14:12:58Z)
• WSSS4LUAD: Grand Challenge on Weakly-supervised Tissue Semantic Segmentation for Lung Adenocarcinoma [51.50991881342181]
  この課題には10,091個のパッチレベルのアノテーションと1300万以上のラベル付きピクセルが含まれる。 第一位チームは0.8413mIoUを達成した(腫瘍:0.8389、ストーマ:0.7931、正常:0.8919)。
  論文  参考訳（メタデータ） (2022-04-13T15:27:05Z)
• On the explainability of hospitalization prediction on a large COVID-19 patient dataset [45.82374977939355]
  我々は、新型コロナウイルス陽性の米国の患者の大規模な(110ドル以上)コホートでの入院を予測するために、さまざまなAIモデルを開発した。 高いデータアンバランスにもかかわらず、モデルは平均精度0.96-0.98 (0.75-0.85)、リコール0.96-0.98 (0.74-0.85)、F_score097-0.98 (0.79-0.83)に達する。
  論文  参考訳（メタデータ） (2021-10-28T10:23:38Z)

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。