論文の概要: DVNet: A Memory-Efficient Three-Dimensional CNN for Large-Scale
Neurovascular Reconstruction
- arxiv url: http://arxiv.org/abs/2002.01568v1
- Date: Tue, 4 Feb 2020 22:39:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-04 02:50:37.246223
- Title: DVNet: A Memory-Efficient Three-Dimensional CNN for Large-Scale
Neurovascular Reconstruction
- Title（参考訳）: DVNet:大規模脳血管再建のためのメモリ効率の良い3次元CNN
- Authors: Leila Saadatifard, Aryan Mobiny, Pavel Govyadinov, Hien Nguyen, David
Mayerich
- Abstract要約: 画素単位のセマンティックセマンティックセグメンテーションのための,完全畳み込み,深層化,密結合型エンコーダデコーダを提案する。
提案ネットワークは,オープンソースベンチマークに適用したセマンティックセグメンテーション問題に対して,優れた性能を提供する。
- 参考スコア（独自算出の注目度）: 1.9199289015460215
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Maps of brain microarchitecture are important for understanding neurological
function and behavior, including alterations caused by chronic conditions such
as neurodegenerative disease. Techniques such as knife-edge scanning microscopy
(KESM) provide the potential for whole organ imaging at sub-cellular
resolution. However, multi-terabyte data sizes make manual annotation
impractical and automatic segmentation challenging. Densely packed cells
combined with interconnected microvascular networks are a challenge for current
segmentation algorithms. The massive size of high-throughput microscopy data
necessitates fast and largely unsupervised algorithms. In this paper, we
investigate a fully-convolutional, deep, and densely-connected encoder-decoder
for pixel-wise semantic segmentation. The excessive memory complexity often
encountered with deep and dense networks is mitigated using skip connections,
resulting in fewer parameters and enabling a significant performance increase
over prior architectures. The proposed network provides superior performance
for semantic segmentation problems applied to open-source benchmarks. We
finally demonstrate our network for cellular and microvascular segmentation,
enabling quantitative metrics for organ-scale neurovascular analysis.
- Abstract（参考訳）: 脳の微細構造図は神経変性疾患などの慢性疾患による変化を含む神経機能や行動を理解するために重要である。
ナイフエッジ走査顕微鏡(KESM)のような技術は、細胞内分解能で全臓器のイメージングを可能にする。
しかし、マルチテラバイトのデータサイズは手動アノテーションを非現実的かつ自動的なセグメンテーションを難しくする。
密集した細胞と相互接続された微小血管ネットワークを組み合わせることは、現在のセグメンテーションアルゴリズムの課題である。
高スループット顕微鏡データの巨大なサイズは、高速でほとんど教師なしのアルゴリズムを必要とする。
本稿では,ピクセル単位のセマンティクスセグメンテーションのための完全畳み込み型,深層,密結合型エンコーダデコーダについて検討する。
深いネットワークでしばしば発生する過大なメモリの複雑さは、スキップ接続を使用して軽減され、結果としてパラメータが減少し、以前のアーキテクチャよりも大幅にパフォーマンスが向上する。
提案ネットワークは,オープンソースベンチマークに適用したセマンティックセグメンテーション問題に対して,優れた性能を提供する。
我々はついに細胞および微小血管のセグメンテーションのためのネットワークを実証し、臓器規模の神経血管分析の定量的測定を可能にした。
関連論文リスト
- Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。
管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
論文 参考訳（メタデータ） (2024-01-11T19:07:58Z) - Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。
最初はFlyTracingという名前のデータセットを構築しました。
本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
論文 参考訳（メタデータ） (2024-01-05T19:45:12Z) - BRAU-Net++: U-Shaped Hybrid CNN-Transformer Network for Medical Image Segmentation [11.986549780782724]
医用画像の正確な分割作業のために,BRAU-Net++ というハイブリッドで効果的な CNN-Transformer ネットワークを提案する。
具体的には、BRAU-Net++は、U字型エンコーダデコーダ構造を設計するために、コアビルディングブロックとしてバイレベルルーティングアテンションを使用する。
提案手法は,そのベースラインであるBRAU-Netを含む,最先端の手法を超越した手法である。
論文 参考訳（メタデータ） (2024-01-01T10:49:09Z) - Learning from partially labeled data for multi-organ and tumor
segmentation [102.55303521877933]
本稿では,トランスフォーマーに基づく動的オンデマンドネットワーク(TransDoDNet)を提案する。
動的ヘッドにより、ネットワークは複数のセグメンテーションタスクを柔軟に達成することができる。
我々はMOTSと呼ばれる大規模にラベル付けされたMulti-Organ and tumorベンチマークを作成し、他の競合相手よりもTransDoDNetの方が優れた性能を示す。
論文 参考訳（メタデータ） (2022-11-13T13:03:09Z) - HistoSeg : Quick attention with multi-loss function for multi-structure
segmentation in digital histology images [0.696194614504832]
医療画像のセグメンテーションは、コンピュータ支援による診断、手術、治療を支援する。
一般化デコーダネットワーク,クイックアテンションモジュール,マルチロス関数を提案する。
医用画像セグメンテーション用データセットであるMoNuSegとGlaSにおいて,提案するネットワークの有効性を評価する。
論文 参考訳（メタデータ） (2022-09-01T21:10:00Z) - Three-dimensional microstructure generation using generative adversarial
neural networks in the context of continuum micromechanics [77.34726150561087]
本研究は, 三次元マイクロ構造生成に適した生成対向ネットワークを提案する。
軽量アルゴリズムは、明示的な記述子を必要とせずに、単一のmicroCTスキャンから材料の基礎特性を学習することができる。
論文 参考訳（メタデータ） (2022-05-31T13:26:51Z) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳（メタデータ） (2022-04-19T10:41:09Z) - Improving Across-Dataset Brain Tissue Segmentation Using Transformer [10.838458766450989]
本研究では,脳組織セグメンテーションのための新しいCNN-Transformerハイブリッドアーキテクチャを提案する。
我々は、4つのマルチサイトT1w MRIデータセットでモデルの性能を検証する。
論文 参考訳（メタデータ） (2022-01-21T15:16:39Z) - Binary Graph Neural Networks [69.51765073772226]
グラフニューラルネットワーク(gnns)は、不規則データに対する表現学習のための強力で柔軟なフレームワークとして登場した。
本稿では,グラフニューラルネットワークのバイナライゼーションのための異なる戦略を提示し,評価する。
モデルの慎重な設計とトレーニングプロセスの制御によって、バイナリグラフニューラルネットワークは、挑戦的なベンチマークの精度において、適度なコストでトレーニングできることを示しています。
論文 参考訳（メタデータ） (2020-12-31T18:48:58Z) - Convolutional Neural Networks for cytoarchitectonic brain mapping at
large scale [0.33727511459109777]
今回我々は,ヒト後脳の多数の細胞体染色組織における細胞構造学的領域をマッピングするための新しいワークフローを提案する。
これはDeep Convolutional Neural Network (CNN)に基づいており、アノテーション付きの一対のセクションイメージに基づいてトレーニングされており、その間に多数の注釈のないセクションがある。
新しいワークフローは、セクションの3D再構成を必要とせず、組織学的アーティファクトに対して堅牢である。
論文 参考訳（メタデータ） (2020-11-25T16:25:13Z) - RevPHiSeg: A Memory-Efficient Neural Network for Uncertainty
Quantification in Medical Image Segmentation [8.413049356622198]
メモリ効率のよいニューラルネットワークアーキテクチャを構築するための可逆ブロック。
RevPHiSegアーキテクチャは、医用画像セグメンテーションにおける不確実性定量化のために開発された。
その結果、RevPHiSegはPHiSegに比べて30%少ないメモリを消費し、非常によく似たセグメンテーション精度を実現している。
論文 参考訳（メタデータ） (2020-08-16T21:16:19Z)
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。