Fugu-MT 論文翻訳(概要): 3D U-Net for Segmentation of Plant Root MRI Images in Super-Resolution

論文の概要: 3D U-Net for Segmentation of Plant Root MRI Images in Super-Resolution

arxiv url: http://arxiv.org/abs/2002.09317v1
Date: Fri, 21 Feb 2020 14:12:57 GMT
ステータス: 処理完了
システム内更新日: 2022-12-30 01:38:38.508956
Title: 3D U-Net for Segmentation of Plant Root MRI Images in Super-Resolution
Title（参考訳）: 超解像における植物根MRI画像の分割のための3次元U-Net
Authors: Yi Zhao, Nils Wandel, Magdalena Landl, Andrea Schnepf, Sven Behnke
Abstract要約: 本稿では,3次元U-Netを用いた超解像において,スキャンした体積を根と土壌に分割することで,信号対雑音比と分解能を高めることを提案する。実際のデータでのテストでは、トレーニングされたネットワークがほとんどのルートを正常に検出でき、人間のアノテータが見逃したルートも見つかる。
参考スコア（独自算出の注目度）: 22.738142711915437
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Magnetic resonance imaging (MRI) enables plant scientists to non-invasively study root system development and root-soil interaction. Challenging recording conditions, such as low resolution and a high level of noise hamper the performance of traditional root extraction algorithms, though. We propose to increase signal-to-noise ratio and resolution by segmenting the scanned volumes into root and soil in super-resolution using a 3D U-Net. Tests on real data show that the trained network is capable to detect most roots successfully and even finds roots that were missed by human annotators. Our experiments show that the segmentation performance can be further improved with modifications of the loss function.
Abstract（参考訳）: 磁気共鳴イメージング(mri)により、植物科学者は根系の発達と根-土の相互作用を非侵襲的に研究できる。しかし、低分解能や高レベルのノイズといった記録条件の整合は、従来の根抽出アルゴリズムの性能を阻害する。 3次元U-Netを用いた超解像において,スキャンした体積を根と土壌に分割することで,信号対雑音比と分解能を高めることを提案する。実際のデータでのテストでは、トレーニングされたネットワークがほとんどのルートを正常に検出でき、人間のアノテータが見逃したルートも見つかる。実験の結果,損失関数の修正によりセグメンテーション性能をさらに向上できることがわかった。

関連論文リスト

M3DM-NR: RGB-3D Noisy-Resistant Industrial Anomaly Detection via Multimodal Denoising [63.39134873744748]
既存の産業異常検出手法は主に、原始RGB画像を用いた教師なし学習に重点を置いている。本稿では,CLIPの強力なマルチモーダル識別機能を利用する新しい耐雑音性M3DM-NRフレームワークを提案する。 M3DM-NRは3D-RGBマルチモーダルノイズ異常検出において最先端の手法より優れていた。
論文参考訳（メタデータ） (2024-06-04T12:33:02Z)
Multi-Scale Texture Loss for CT denoising with GANs [0.9349653765341301]
GAN(Generative Adversarial Networks)は、医療画像の応用を認知するための強力なフレームワークとして証明されている。本研究は,Gray-Level-Co-occurrence Matrix (GLCM) の内在的マルチスケール特性を利用した損失関数を提案する。また,画像から抽出したマルチスケールテクスチャ情報を動的に集約する自己認識層を導入する。
論文参考訳（メタデータ） (2024-03-25T11:28:52Z)
mmID: High-Resolution mmWave Imaging for Human Identification [16.01613518230451]
本稿では,条件付き生成逆数ネットワーク(cGAN)を用いて人体全体を推定することで画像分解能を向上させることを提案する。本システムは,人間の識別に有用な特徴を抽出できる,環境に依存しない高解像度画像を生成する。その結果,Kinectデバイスに5%のシルエット差が認められた。
論文参考訳（メタデータ） (2024-02-01T20:19:38Z)
Resolution- and Stimulus-agnostic Super-Resolution of Ultra-High-Field Functional MRI: Application to Visual Studies [1.8327547104097965]
高分解能fMRIは脳のメソスケール組織への窓を提供する。しかし、高い空間分解能はスキャン時間を増加させ、低信号とコントラスト-ノイズ比を補う。本研究では,fMRIのための深層学習に基づく3次元超解像法を提案する。
論文参考訳（メタデータ） (2023-11-25T03:33:36Z)
Deep learning network to correct axial and coronal eye motion in 3D OCT retinal imaging [65.47834983591957]
深層学習に基づくニューラルネットワークを用いて,OCTの軸運動とコロナ運動のアーチファクトを1つのスキャンで補正する。実験結果から, 提案手法は動作アーチファクトを効果的に補正し, 誤差が他の方法よりも小さいことを示す。
論文参考訳（メタデータ） (2023-05-27T03:55:19Z)
Passive superresolution imaging of incoherent objects [63.942632088208505]
手法は、Hermite-Gaussianモードとその重ね合わせのオーバーコンプリートベースで、画像平面内のフィールドの空間モード成分を測定することで構成される。ディープニューラルネットワークは、これらの測定からオブジェクトを再構築するために使用される。
論文参考訳（メタデータ） (2023-04-19T15:53:09Z)
Neural Disparity Refinement for Arbitrary Resolution Stereo [67.55946402652778]
本稿では,安価で広範なコンシューマデバイスへの3Dコンピュータビジョンの展開を容易にすることを目的とした,ニューラルディファリティ改善のための新しいアーキテクチャを提案する。我々のアプローチは任意の出力解像度で洗練された不均一写像を推定できる連続的な定式化に依存している。
論文参考訳（メタデータ） (2021-10-28T18:00:00Z)
Robust Skeletonization for Plant Root Structure Reconstruction from MRI [20.758304602972764]
MRIスキャンによる植物の根の構造再構築のための2段階のアプローチを提案する。第1段階はセマンティック・ルートと土壌のセグメンテーションに基づいており、どのルート・ボクセルからシュートまでの最低コストの経路を見つける。第2段階は第1段階で生成された最大の完全連結成分を取り、3Dスケルトン化を用いてグラフ構造を抽出する。
論文参考訳（メタデータ） (2020-10-27T16:54:40Z)
Hierarchical Amortized Training for Memory-efficient High Resolution 3D GAN [52.851990439671475]
本稿では,高解像度な3D画像を生成することができる新しいエンドツーエンドGANアーキテクチャを提案する。トレーニングと推論の異なる構成を使用することで、この目標を達成する。 3次元胸郭CTと脳MRIの実験により、我々のアプローチは画像生成における最先端技術より優れていることが示された。
論文参考訳（メタデータ） (2020-08-05T02:33:04Z)
Super Resolution for Root Imaging [2.0924876102146714]
超解像度(SR)アルゴリズムは、センサーの解像度制限を克服し、ストレージスペースの要求を減らし、後の分析の性能を高めるために望まれる。畳み込みニューラルネットワーク(CNN)を用いた植物の根の画像向上のためのSRフレームワークを提案する。我々は、SRモデルが非ルートデータセットでトレーニングされた場合でも、基本的なバイコビックよりも優れる、公開データセットの集合を実証する。
論文参考訳（メタデータ） (2020-03-30T15:11:15Z)
Spatial-Spectral Residual Network for Hyperspectral Image Super-Resolution [82.1739023587565]
ハイパースペクトル画像超解像のための新しいスペクトル空間残差ネットワーク(SSRNet)を提案する。提案手法は,2次元畳み込みではなく3次元畳み込みを用いて空間スペクトル情報の探索を効果的に行うことができる。各ユニットでは空間的・時間的分離可能な3次元畳み込みを用いて空間的・スペクトル的な情報を抽出する。
論文参考訳（メタデータ） (2020-01-14T03:34:55Z)

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。