論文の概要: Segmentation with Residual Attention U-Net and an Edge-Enhancement Approach Preserves Cell Shape Features

• arxiv url: http://arxiv.org/abs/2001.05548v1
• Date: Wed, 15 Jan 2020 20:44:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-11 07:17:14.907524
• Title: Segmentation with Residual Attention U-Net and an Edge-Enhancement Approach Preserves Cell Shape Features
• Title（参考訳）: 残差注意U-Netによるセグメンテーションとエッジエンハンスメントアプローチによる細胞形状特性の保存
• Authors: Nanyan Zhu, Chen Liu, Zakary S. Singer, Tal Danino, Andrew F. Laine, Jia Guo
• Abstract要約: We modified the U-Net architecture to segment cells in fluorescence widefield microscopy images and quantitatively evaluation its performance。 97%の感度, 93%の特異性, 91%のジャカード類似性, 95%のDice係数で, エッジ付き残留注意U-Netは, セグメンテーション性能において最先端のU-Netを上回った。
• 参考スコア（独自算出の注目度）: 12.676246022612533
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The ability to extrapolate gene expression dynamics in living single cells requires robust cell segmentation, and one of the challenges is the amorphous or irregularly shaped cell boundaries. To address this issue, we modified the U-Net architecture to segment cells in fluorescence widefield microscopy images and quantitatively evaluated its performance. We also proposed a novel loss function approach that emphasizes the segmentation accuracy on cell boundaries and encourages shape feature preservation. With a 97% sensitivity, 93% specificity, 91% Jaccard similarity, and 95% Dice coefficient, our proposed method called Residual Attention U-Net with edge-enhancement surpassed the state-of-the-art U-Net in segmentation performance as evaluated by the traditional metrics. More remarkably, the same proposed candidate also performed the best in terms of the preservation of valuable shape features, namely area, eccentricity, major axis length, solidity and orientation. These improvements on shape feature preservation can serve as useful assets for downstream cell tracking and quantification of changes in cell statistics or features over time.
• Abstract（参考訳）: 生きた単一細胞の遺伝子発現動態を外挿する能力は、ロバストな細胞分節が必要であり、その課題の1つは、アモルファスまたは不規則な形の細胞境界である。 この問題に対処するため,我々はU-Netアーキテクチャを蛍光ワイドフィールド顕微鏡画像のセグメントセルに修正し,その性能を定量的に評価した。 また,細胞境界のセグメンテーション精度を重視し,形状特徴保存を促進する新しい損失関数法を提案した。 また,97%の感度,93%の特異性,91%のジャカード類似性,95%のDice係数で,従来の測定値と比較すると,エッジ付き残留注意U-Netはセグメント化性能において最先端のU-Netを上回った。 さらに, 同候補は, 面積, 偏心性, 主軸長, 剛性, 配向といった, 貴重な形状の特徴の保存に関して, 最善を尽くした。 これらの形状の特徴保存の改善は、下流の細胞追跡と、時間とともにセル統計や特徴の変化の定量化に役立つ。

関連論文リスト

• LKCell: Efficient Cell Nuclei Instance Segmentation with Large Convolution Kernels [32.157968641130545]
  高精度で効率的なセル分割法であるLKCellを提案する。 その中心となる洞察は、計算効率のよい大きな受容場を達成するために、大きな畳み込みカーネルのポテンシャルを解き放つことである。 我々は,従来の手法の冗長性を解析し,大規模な畳み込みカーネルに基づく新しいセグメンテーションデコーダを設計する。
  論文  参考訳（メタデータ） (2024-07-25T14:07:49Z)
• Enhancing Cell Instance Segmentation in Scanning Electron Microscopy Images via a Deep Contour Closing Operator [0.04568852250743578]
  そこで本研究では,SEM画像のインスタンスベースセルセグメンテーションを改善するために,境界線を精製するAI駆動方式を提案する。 CNN COp-Netは、細胞輪郭のギャップに対処するために導入され、不十分な情報や欠落した情報のある領域で効果的に満たされる。 PDX肝芽腫組織からのプライベートSEM画像と公開画像データセットの両方を用いて,細胞境界の精度を高めるためのアプローチの有効性を示した。
  論文  参考訳（メタデータ） (2024-07-22T17:32:06Z)
• Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
  我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。 クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。 本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
  論文  参考訳（メタデータ） (2023-11-28T09:14:55Z)
• ARHNet: Adaptive Region Harmonization for Lesion-aware Augmentation to Improve Segmentation Performance [61.04246102067351]
  本研究では,合成画像をよりリアルに見せるために,前景調和フレームワーク(ARHNet)を提案する。 実画像と合成画像を用いたセグメンテーション性能の向上に本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-07-02T10:39:29Z)
• TANGOS: Regularizing Tabular Neural Networks through Gradient Orthogonalization and Specialization [69.80141512683254]
  TANGOS(Tbular Neural Gradient Orthogonalization and gradient)を紹介する。 TANGOSは、潜在ユニット属性上に構築された表の設定を正規化するための新しいフレームワークである。 提案手法は,他の一般的な正規化手法よりも優れ,サンプル外一般化性能の向上につながることを実証する。
  論文  参考訳（メタデータ） (2023-03-09T18:57:13Z)
• Toward Accurate and Reliable Iris Segmentation Using Uncertainty Learning [96.72850130126294]
  高精度で信頼性の高いアイリスセグメンテーションのためのアイリスU変換器(アイリスUsformer)を提案する。 IrisUsformerの精度向上のために,位置感応操作と再パッケージング変圧器ブロックを採用することで精巧に設計する。 IrisUsformer は SOTA IrisParseNet の 35% MAC を用いて, セグメンテーション精度の向上を図っている。
  論文  参考訳（メタデータ） (2021-10-20T01:37:19Z)
• Temporal Memory Relation Network for Workflow Recognition from Surgical Video [53.20825496640025]
  本研究では, 長期および多スケールの時間パターンを関連づける, エンドツーエンドの時間メモリ関係ネットワーク (TMNet) を提案する。 我々はこのアプローチを2つのベンチマーク手術ビデオデータセットで広範囲に検証した。
  論文  参考訳（メタデータ） (2021-03-30T13:20:26Z)
• IH-GAN: A Conditional Generative Model for Implicit Surface-Based Inverse Design of Cellular Structures [15.540823405781337]
  材料特性に応じた多様な細胞ユニット細胞を生成できる深層生成モデルを提案します。 その結果,(1)特定の材料特性を高精度(相対誤差5%)で満たす各種ユニットセルを生成し,2)高品質のインターフェース接続(インターフェースにおける平均重複面積98.7%)を有する機能グレードの細胞構造を作成し,3)従来のトポロジ最適化可変密度構造に対する構造性能を向上させることができた。
  論文  参考訳（メタデータ） (2021-03-03T18:39:25Z)
• Accurate Cell Segmentation in Digital Pathology Images via Attention Enforced Networks [0.0]
  本研究では,グローバルな依存関係と重み付きチャネルを適応的に統合するアテンション強化ネットワーク(AENet)を提案する。 実験段階では, 染色変化問題に対処するために, 個々の色正規化法を提案する。
  論文  参考訳（メタデータ） (2020-12-14T03:39:33Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• Learning to segment clustered amoeboid cells from brightfield microscopy via multi-task learning with adaptive weight selection [6.836162272841265]
  マルチタスク学習パラダイムにおけるセルセグメンテーションのための新しい教師付き手法を提案する。 ネットワークの予測効率を向上させるために、領域とセル境界検出に基づくマルチタスク損失の組み合わせを用いる。 検証セットで全体のDiceスコアが0.93であり、これは最近の教師なし手法で15.9%以上の改善であり、一般的な教師付きU-netアルゴリズムを平均5.8%以上上回っている。
  論文  参考訳（メタデータ） (2020-05-19T11:31:53Z)

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。