論文の概要: Cell Segmentation by Combining Marker-Controlled Watershed and Deep Learning

• arxiv url: http://arxiv.org/abs/2004.01607v1
• Date: Fri, 3 Apr 2020 14:51:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-17 05:03:48.791356
• Title: Cell Segmentation by Combining Marker-Controlled Watershed and Deep Learning
• Title（参考訳）: マーカー制御流域と深層学習を組み合わせた細胞セグメンテーション
• Authors: Filip Lux, Petr Matula
• Abstract要約: 本稿では,密集したセルの画像を解析するためのセル分割法を提案する。 マーカー制御型流域変換と畳み込みニューラルネットワーク(CNN)の強みを組み合わせた手法 提案手法は使いやすく, 各種データに最先端の性能を応用した汎用化を実現している。
• 参考スコア（独自算出の注目度）: 0.6091702876917281
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We propose a cell segmentation method for analyzing images of densely clustered cells. The method combines the strengths of marker-controlled watershed transformation and a convolutional neural network (CNN). We demonstrate the method universality and high performance on three Cell Tracking Challenge (CTC) datasets of clustered cells captured by different acquisition techniques. For all tested datasets, our method reached the top performance in both cell detection and segmentation. Based on a series of experiments, we observed: (1) Predicting both watershed marker function and segmentation function significantly improves the accuracy of the segmentation. (2) Both functions can be learned independently. (3) Training data augmentation by scaling and rigid geometric transformations is superior to augmentation that involves elastic transformations. Our method is simple to use, and it generalizes well for various data with state-of-the-art performance.
• Abstract（参考訳）: 高密度クラスター化細胞の画像解析のためのセルセグメンテーション法を提案する。 この方法は、マーカー制御された流域変換と畳み込みニューラルネットワーク(CNN)の強度を組み合わせる。 本稿では,クラスタ化セルの3つのセルトラッキングチャレンジ(ctc)データセットの汎用性と高性能性を示す。 すべてのテストデータセットにおいて,本手法はセル検出とセグメンテーションの両方において最高性能に達した。 1) 流域マーカー関数とセグメンテーション関数の両方を予測すると, セグメンテーションの精度が著しく向上する。 (2)両方の関数は独立して学習できる。 (3) 伸縮および剛性幾何変換によるトレーニングデータ拡張は, 弾性変換を伴う拡張よりも優れている。 本手法は簡便で,最先端の性能を持つ各種データに対してよく一般化する。

関連論文リスト

• MorphoSeg: An Uncertainty-Aware Deep Learning Method for Biomedical Segmentation of Complex Cellular Morphologies [5.50767638479269]
  深層学習は医学や生物学的イメージング、特にセグメンテーションのタスクに革命をもたらした。 細胞の形態の多様性と複雑さのため、生物学的な細胞を分断することは依然として困難である。 我々は多能性癌細胞株であるNtera-2細胞の新しいベンチマークデータセットを導入する。 トレーニング中の低線量領域からの仮想アウトリーチのサンプリングを取り入れた,複雑な細胞形態区分(MorphoSeg)のための不確実性を考慮したディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-25T17:25:06Z)
• ShapeSplat: A Large-scale Dataset of Gaussian Splats and Their Self-Supervised Pretraining [104.34751911174196]
  ShapeNetとModelNetを用いた大規模3DGSデータセットを構築した。 データセットのShapeSplatは、87のユニークなカテゴリから65Kのオブジェクトで構成されています。 textbftextitGaussian-MAEを導入し、ガウスパラメータからの表現学習の独特な利点を強調した。
  論文  参考訳（メタデータ） (2024-08-20T14:49:14Z)
• Large-Scale Multi-Hypotheses Cell Tracking Using Ultrametric Contours Maps [1.015920567871904]
  本稿では,分割選択手法による大規模3次元細胞追跡手法について述べる。 本手法は,細胞追跡課題から得られた3次元画像の最先端化を実現する。 われわれのフレームワークは柔軟で、市販のセルセグメンテーションモデルからのセグメンテーションをサポートしている。
  論文  参考訳（メタデータ） (2023-08-08T18:41:38Z)
• Multi-body SE(3) Equivariance for Unsupervised Rigid Segmentation and Motion Estimation [49.56131393810713]
  本稿では、SE(3)同変アーキテクチャと、この課題に教師なしで取り組むためのトレーニング戦略を提案する。 本手法は,0.25Mパラメータと0.92G FLOPを用いて,モデル性能と計算効率を両立させる。
  論文  参考訳（メタデータ） (2023-06-08T22:55:32Z)
• Look in Different Views: Multi-Scheme Regression Guided Cell Instance Segmentation [17.633542802081827]
  マルチスキーマ回帰誘導に基づく新しいセルインスタンス分割ネットワークを提案する。 マルチスキーマレグレッションガイダンスにより、ネットワークは異なるビューで各セルを見ることができる。 ベンチマークデータセット、DSB2018、CA2.5、SCISについて広範な実験を行った。
  論文  参考訳（メタデータ） (2022-08-17T05:24:59Z)
• 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)
• EfficientCellSeg: Efficient Volumetric Cell Segmentation Using Context Aware Pseudocoloring [4.555723508665994]
  ボリュームセルセグメンテーションのための小さな畳み込みニューラルネットワーク(CNN)を導入する。 我々のモデルは効率的で非対称なエンコーダ・デコーダ構造を持ち、デコーダにはほとんどパラメータがない。 我々のCNNモデルは,他の上位手法に比べて最大25倍のパラメータ数を持つ。
  論文  参考訳（メタデータ） (2022-04-06T18:02:15Z)
• Multi-Scale Representation Learning on Proteins [78.31410227443102]
  本稿では,タンパク質HoloProtのマルチスケールグラフ構築について紹介する。 表面はタンパク質の粗い詳細を捉え、配列は一次成分であり、構造はより微細な詳細を捉えている。 グラフエンコーダは、各レベルが下のレベル(s)からそのレベルでのグラフとエンコーディングを統合することで、マルチスケール表現を学習する。
  論文  参考訳（メタデータ） (2022-04-04T08:29:17Z)
• Robust 3D Cell Segmentation: Extending the View of Cellpose [0.1384477926572109]
  3次元画像データのセグメンテーション精度を向上させるためにcellposeアプローチを拡張した。 グラデーションマップの定式化は、堅牢なままで、類似のセグメンテーション精度に達する間、いかに簡略化できるかを示す。
  論文  参考訳（メタデータ） (2021-05-03T12:47:41Z)
• Split and Expand: An inference-time improvement for Weakly Supervised Cell Instance Segmentation [71.50526869670716]
  本研究では,分割マップのインスタンスへの変換を改善するために,2段階の後処理手順であるSplitとExpandを提案する。 Splitのステップでは,セルの集合をセグメント化マップから個々のセルインスタンスに分割し,セル中心の予測を導出する。 拡張ステップでは、細胞中心予測を用いて、小さな細胞が欠落していることが分かる。
  論文  参考訳（メタデータ） (2020-07-21T14:05:09Z)
• Automatic Data Augmentation via Deep Reinforcement Learning for Effective Kidney Tumor Segmentation [57.78765460295249]
  医用画像セグメンテーションのための新しい学習ベースデータ拡張法を開発した。 本手法では,データ拡張モジュールと後続のセグメンテーションモジュールをエンドツーエンドのトレーニング方法で一貫した損失と,革新的に組み合わせる。 提案法の有効性を検証したCT腎腫瘍分節法について,本法を広範囲に評価した。
  論文  参考訳（メタデータ） (2020-02-22T14:10:13Z)

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。