論文の概要: ProtoPur: Prototype-Purity Pseudo-Labeling for Weakly Supervised Instance Learning in Pathology

• arxiv url: http://arxiv.org/abs/2610.15669v2
• Date: Wed, 14 Oct 2026 16:16:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.233352
• Title: ProtoPur: Prototype-Purity Pseudo-Labeling for Weakly Supervised Instance Learning in Pathology
• Title（参考訳）: ProtoPur: 病理学における弱教師付きインスタンス学習のためのプロトタイプPurity Pseudo-Labeling
• Abstract要約: 病理画像全体における弱教師付きインスタンスレベル学習のためのプロトタイプ純度擬似ラベル法を提案する。 ProtoPurは、凍結基礎モデルの特徴から構築されたプロトタイプ領域よりも、クラスバランスのよい局所純度を推定する。 ProtoPurは、競争力のあるバッグレベルのパフォーマンスを維持しながら、複数のMILバックボーンにわたるインスタンスレベルのパフォーマンスを一貫して改善する。
• 参考スコア（独自算出の注目度）: 9.42229202802521
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Weak bag-level labels are widely available in computational pathology, whereas reliable instance-level annotations for whole-slide images remain expensive and ambiguous. Weakly supervised multiple instance learning (MIL) achieves strong bag-level classification, but instance-level supervision from attention scores, model predictions, negative bags, or spatial refinement may fail to identify class-specific local evidence. We propose ProtoPur, a prototype-purity pseudo-labeling method for weakly supervised instance-level learning in pathology whole-slide images. ProtoPur estimates class-balanced local purity over prototype regions constructed from frozen foundation-model features, and assigns pseudo-labels to high-purity regions strongly associated with a target class. This purity-first design separates class-specific evidence from negative or shared morphology, with coverage used only to ensure sufficient pseudo-label assignment. We provide a PAC-style analysis showing that the risk of an instance classifier trained with ProtoPur pseudo-labels can be decomposed into a standard uniform-convergence term and a ProtoPur-specific pseudo-label noise term, comprising selected-region mismatch and a coverage residual. Experiments on three public whole-slide image datasets with two pathology foundation encoders show that ProtoPur consistently improves instance-level performance across multiple MIL backbones while maintaining competitive bag-level performance. Pseudo-label quality comparisons on two public datasets further demonstrate that prototype-purity selection provides stronger instance supervision. These results suggest that the foundation-model features contain exploitable instance-level supervision signals, and ProtoPur is a way to reveal and use these signals from weak bag labels without requiring dense instance annotations.
• Abstract（参考訳）: バッグレベルのラベルは計算病理学で広く利用することができるが、スライディング画像に対する信頼性の高いインスタンスレベルのアノテーションは高価で曖昧である。 弱教師付き多重インスタンス学習(MIL)は、強いバッグレベルの分類を実現するが、注意点、モデル予測、負のバッグ、空間的改善によるインスタンスレベルの監督は、クラス固有の局所的な証拠を特定するのに失敗する可能性がある。 ProtoPurは,病的全スライディング画像における弱教師付きインスタンスレベルの学習のための,プロトタイプ純度擬似ラベル法である。 ProtoPurは、凍結基礎モデルの特徴から構築されたプロトタイプ領域よりもクラスバランスのよい局所純度を推定し、ターゲットクラスに強く関連する高純度領域に擬似ラベルを割り当てる。 この純度第一の設計は、クラス固有の証拠を否定的または共有的な形態学から切り離し、カバレッジは十分な擬似ラベルの割り当てを保証するためにのみ使用される。 本稿では、ProtoPurの擬似ラベルで訓練されたインスタンス分類器のリスクを、選択された領域ミスマッチとカバレッジ残差からなる標準一様収束項とProtoPur固有の擬似ラベルノイズ項に分解できることを示すPACスタイルの分析を行う。 2つの病理基盤エンコーダを備えたパブリックな全スライダーイメージデータセットの実験では、ProtoPurは、競争力のあるバッグレベルのパフォーマンスを維持しながら、複数のMILバックボーンにわたるインスタンスレベルのパフォーマンスを一貫して改善している。 2つの公開データセットにおける擬似ラベルの品質比較は、プロトタイプと純粋性の選択がより強力なインスタンス管理を提供することを示す。 ProtoPurは、密度の高いインスタンスアノテーションを必要とせずに、弱いバッグラベルからこれらの信号を公開および使用するための手段である。

関連論文リスト

• LayerMatch: Do Pseudo-labels Benefit All Layers? [77.59625180366115]
  半教師付き学習はラベル付きデータの依存性を軽減するための有望なソリューションを提供する。 我々はGrad-ReLUとAvg-Clusteringという2つの層固有の擬似ラベル戦略を開発した。 提案手法は,標準的な半教師付き学習ベンチマークにおいて,例外的な性能を示す。
  論文  参考訳（メタデータ） (2024-06-20T11:25:50Z)
• Negative Prototypes Guided Contrastive Learning for WSOD [8.102080369924911]
  近年,画像レベルのアノテーションのみを持つ弱監視対象検出(WSOD)が注目されている。 本稿では,Native Prototypes Guided Contrastive Learning Architectureを提案する。 提案手法は最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-06-04T08:16:26Z)
• VLM-CPL: Consensus Pseudo Labels from Vision-Language Models for Annotation-Free Pathological Image Classification [16.05109192966549]
  事前学習型視覚言語モデル(VLM)を利用した新しいヒトアノテーションフリー手法を提案する。 VLM-CPLは、2つのノイズラベルフィルタリング技術と半教師付き学習戦略を含む新しい手法である。 パッチレベルおよびスライドレベル分類のための5つの公開病理画像データセットの実験結果から,本手法はVLMによるゼロショット分類を著しく上回った。
  論文  参考訳（メタデータ） (2024-03-23T13:24:30Z)
• Decoupled Prototype Learning for Reliable Test-Time Adaptation [50.779896759106784]
  テスト時間適応(TTA)は、推論中にトレーニング済みのソースモデルをターゲットドメインに継続的に適応させるタスクである。 1つの一般的なアプローチは、推定擬似ラベルによるクロスエントロピー損失を伴う微調整モデルである。 本研究は, 各試料の分類誤差を最小化することで, クロスエントロピー損失の脆弱性がラベルノイズを引き起こすことを明らかにした。 本稿では,プロトタイプ中心の損失計算を特徴とする新しいDPL法を提案する。
  論文  参考訳（メタデータ） (2024-01-15T03:33:39Z)
• Class-Distribution-Aware Pseudo Labeling for Semi-Supervised Multi-Label Learning [97.88458953075205]
  Pseudo-labelingは、ラベルなしデータを利用するための人気で効果的なアプローチとして登場した。 本稿では,クラスアウェアの擬似ラベル処理を行うCAP(Class-Aware Pseudo-Labeling)という新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-05-04T12:52:18Z)
• Semi-supervised Semantic Segmentation with Prototype-based Consistency Regularization [20.4183741427867]
  半教師付きセマンティックセグメンテーションでは、制限された注釈付き画像からラベルなし画像へラベル情報を伝達する必要がある。 このようなピクセルごとの予測タスクの課題は、クラス内の大きなバリエーションである。 本稿では,ラベルの伝搬困難を緩和するために,クラス内特徴の分布を正規化するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-10-10T01:38:01Z)

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。