論文の概要: An Auxiliary Task for Learning Nuclei Segmentation in 3D Microscopy Images

• arxiv url: http://arxiv.org/abs/2002.02857v1
• Date: Fri, 7 Feb 2020 15:47:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-03 04:53:11.090487
• Title: An Auxiliary Task for Learning Nuclei Segmentation in 3D Microscopy Images
• Title（参考訳）: 3次元顕微鏡画像における核分割学習補助課題
• Authors: Peter Hirsch, Dagmar Kainmueller
• Abstract要約: 手作業による3次元光顕微鏡ボリュームのデータベース上での核分割アルゴリズムの比較を行った。 簡単な補助的なタスクによってセグメント化の精度を高める新しい学習戦略を提案する。 提案した補助課題を訓練すると,我々のベースラインの1つである3ラベルモデルが,最近のStarDist-3Dより優れていることを示す。
• 参考スコア（独自算出の注目度）: 6.700873164609009
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Segmentation of cell nuclei in microscopy images is a prevalent necessity in cell biology. Especially for three-dimensional datasets, manual segmentation is prohibitively time-consuming, motivating the need for automated methods. Learning-based methods trained on pixel-wise ground-truth segmentations have been shown to yield state-of-the-art results on 2d benchmark image data of nuclei, yet a respective benchmark is missing for 3d image data. In this work, we perform a comparative evaluation of nuclei segmentation algorithms on a database of manually segmented 3d light microscopy volumes. We propose a novel learning strategy that boosts segmentation accuracy by means of a simple auxiliary task, thereby robustly outperforming each of our baselines. Furthermore, we show that one of our baselines, the popular three-label model, when trained with our proposed auxiliary task, outperforms the recent StarDist-3D. As an additional, practical contribution, we benchmark nuclei segmentation against nuclei detection, i.e. the task of merely pinpointing individual nuclei without generating respective pixel-accurate segmentations. For learning nuclei detection, large 3d training datasets of manually annotated nuclei center points are available. However, the impact on detection accuracy caused by training on such sparse ground truth as opposed to dense pixel-wise ground truth has not yet been quantified. To this end, we compare nuclei detection accuracy yielded by training on dense vs. sparse ground truth. Our results suggest that training on sparse ground truth yields competitive nuclei detection rates.
• Abstract（参考訳）: 顕微鏡画像における細胞核のセグメンテーションは細胞生物学において必須である。 特に3次元データセットの場合、手動のセグメンテーションは極めて時間がかかり、自動化されたメソッドの必要性を動機付けている。 ピクセル単位の基底セグメンテーションを学習する学習ベースの手法は、核の2dベンチマーク画像データに対して最先端の結果が得られることが示されているが、各ベンチマークは3d画像データには欠落している。 本研究では,手作業による3次元光顕微鏡ボリュームのデータベース上で,核分割アルゴリズムの比較評価を行う。 本稿では,単純な補助タスクによってセグメンテーション精度を高める新しい学習戦略を提案する。 さらに,提案した補助課題を訓練すると,我々のベースラインである3ラベルモデルが,最近のStarDist-3Dより優れていることを示す。 さらに,各画素精度のセグメンテーションを発生させることなく,個々の核をピンポイントするだけで核検出に対する核セグメンテーションをベンチマークする。 核検出の学習には、手動で注釈付けされた核中心点の大規模な3dトレーニングデータセットが利用できる。 しかし、そのような粗い基底真理に対する訓練による検出精度への影響は、高密度画素単位の基底真理とは対照的に、まだ定量化されていない。 そこで本研究では,密度の低い地中真実に対するトレーニングにより得られた核検出精度を比較した。 以上の結果から,sparse ground truthのトレーニングは競合核検出率をもたらすことが示唆された。

関連論文リスト

• 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)
• Diffusion-based Data Augmentation for Nuclei Image Segmentation [68.28350341833526]
  核セグメンテーションのための拡散法を初めて導入する。 このアイデアは、多数のラベル付き画像を合成し、セグメンテーションモデルを訓練することを目的としている。 実験の結果,10%のラベル付き実データセットを合成サンプルで拡張することにより,同等のセグメンテーション結果が得られることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T06:16:16Z)
• Unsupervised Learning of Object-Centric Embeddings for Cell Instance Segmentation in Microscopy Images [3.039768384237206]
  オブジェクト中心埋め込み(OCE)を導入する。 OCEはイメージパッチを埋め込み、同じオブジェクトから取得したパッチ間のオフセットが保存される。 画像パッチ間の空間オフセットを予測する自己教師型タスクにより,OCEを学習できることを理論的に示す。
  論文  参考訳（メタデータ） (2023-10-12T16:59:50Z)
• Nuclei Segmentation with Point Annotations from Pathology Images via Self-Supervised Learning and Co-Training [44.13451004973818]
  核分割のための弱い教師付き学習法を提案する。 粗いピクセルレベルのラベルは、ボロノイ図に基づく点アノテーションから導かれる。 病理画像の核分割に適した自己教師付き視覚表現学習法を提案する。
  論文  参考訳（メタデータ） (2022-02-16T17:08:44Z)
• Bend-Net: Bending Loss Regularized Multitask Learning Network for Nuclei Segmentation in Histopathology Images [65.47507533905188]
  重なり合う核を正確に分離するために、曲げ損失正規化器を備えた新しいマルチタスク学習ネットワークを提案する。 新たに提案されたマルチタスク学習アーキテクチャは、3つのタスクから共有表現を学習することで一般化を促進する。 提案した曲げ損失は,輪郭点を大きな曲率で囲むために高いペナルティを定義し,小さな曲率で凸輪郭点に小さなペナルティを適用した。
  論文  参考訳（メタデータ） (2021-09-30T17:29:44Z)
• Semi supervised segmentation and graph-based tracking of 3D nuclei in time-lapse microscopy [10.398295735266212]
  現在の最先端のディープラーニング手法では、トレーニングデータが弱いアノテートされた場合、正確な境界が得られない。 これは、現在の最先端のディープラーニング手法が、トレーニングデータが弱いアノテートされたときに正確な境界に達しないという観察によって動機付けられている。 3D U-Netは、核のセントロイドを得るために訓練され、単純な線形反復クラスタリング(SLIC)スーパーボクセルアルゴリズムと統合される。
  論文  参考訳（メタデータ） (2020-10-26T05:09:44Z)
• Instance-aware Self-supervised Learning for Nuclei Segmentation [47.07869311690419]
  本稿では,核インスタンス分割タスクにおける畳み込みニューラルネットワーク(CNN)の能力を活用するための,新たな自己教師型学習フレームワークを提案する。 提案するアプローチには、2つのサブタスクが含まれており、ニューラルネットワークは、核の大きさと量の事前知識を暗黙的に活用することができる。 公開されているMoNuSegデータセットの実験結果から、提案した自己教師付き学習手法は、核インスタンスのセグメンテーション精度を著しく向上させることができることが示された。
  論文  参考訳（メタデータ） (2020-07-22T03:37:14Z)
• Weakly Supervised Deep Nuclei Segmentation Using Partial Points Annotation in Histopathology Images [51.893494939675314]
  本稿では,部分点アノテーションに基づく弱教師付きセグメンテーションフレームワークを提案する。 本手法は, 完全教師付き手法や最先端手法と比較して, 競争性能を向上できることを示す。
  論文  参考訳（メタデータ） (2020-07-10T15:41:29Z)
• 3D medical image segmentation with labeled and unlabeled data using autoencoders at the example of liver segmentation in CT images [58.720142291102135]
  本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。 コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
  論文  参考訳（メタデータ） (2020-03-17T20:20:43Z)

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。