論文の概要: Few-Shot Microscopy Image Cell Segmentation

• arxiv url: http://arxiv.org/abs/2007.01671v1
• Date: Mon, 29 Jun 2020 12:12:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-15 13:18:48.198789
• Title: Few-Shot Microscopy Image Cell Segmentation
• Title（参考訳）: 微小ショット顕微鏡による細胞分離
• Authors: Youssef Dawoud, Julia Hornauer, Gustavo Carneiro, and Vasileios Belagiannis
• Abstract要約: 顕微鏡画像におけるセルの自動セグメンテーションは、完全な監視で訓練されたディープニューラルネットワークのサポートとうまく機能する。 本稿では,細胞を分割し,セグメント化結果を分類境界から切り離すための3つの目的関数の組み合わせを提案する。 5つの公開データベースに対する実験は、1ショットから10ショットのメタラーニングによる有望な結果を示している。
• 参考スコア（独自算出の注目度）: 15.510258960276083
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic cell segmentation in microscopy images works well with the support of deep neural networks trained with full supervision. Collecting and annotating images, though, is not a sustainable solution for every new microscopy database and cell type. Instead, we assume that we can access a plethora of annotated image data sets from different domains (sources) and a limited number of annotated image data sets from the domain of interest (target), where each domain denotes not only different image appearance but also a different type of cell segmentation problem. We pose this problem as meta-learning where the goal is to learn a generic and adaptable few-shot learning model from the available source domain data sets and cell segmentation tasks. The model can be afterwards fine-tuned on the few annotated images of the target domain that contains different image appearance and different cell type. In our meta-learning training, we propose the combination of three objective functions to segment the cells, move the segmentation results away from the classification boundary using cross-domain tasks, and learn an invariant representation between tasks of the source domains. Our experiments on five public databases show promising results from 1- to 10-shot meta-learning using standard segmentation neural network architectures.
• Abstract（参考訳）: 顕微鏡画像の自動セグメンテーションは、完全な監視で訓練されたディープニューラルネットワークのサポートとうまく機能する。 しかし、画像の収集と注釈は、新しい顕微鏡データベースと細胞タイプごとに持続可能なソリューションではない。 代わりに、異なる領域(ソース)からの注釈付き画像データセットの多元体と興味領域(ターゲット)からの注釈付き画像データセットの限られた数にアクセスできると仮定する。 そこでは、利用可能なソースドメインデータセットとセルセグメンテーションタスクから、汎用的で適応可能な数ショット学習モデルを学ぶことを目標としている。 モデルはその後、異なる画像外観と異なるセルタイプを含むターゲットドメインの少数の注釈付き画像に微調整することができる。 メタラーニングトレーニングでは,細胞をセグメンテーションし,ドメイン間タスクを用いた分類境界からセグメンテーション結果を移動し,ソースドメインのタスク間の不変表現を学習する3つの目的関数の組み合わせを提案する。 5つの公開データベースの実験では,標準セグメンテーションニューラルネットワークアーキテクチャを用いた1ショットから10ショットのメタラーニングの結果が期待できることがわかった。

関連論文リスト

• 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)
• Unsupervised Domain Adaptation for Medical Image Segmentation via Feature-space Density Matching [0.0]
  本稿ではセマンティックセグメンテーションのための教師なしドメイン適応手法を提案する。 対象データ分布を特徴空間のソースとマッチングする。 提案手法の有効性を2つのデータセット,多部位前立腺MRI,病理組織像に示す。
  論文  参考訳（メタデータ） (2023-05-09T22:24:46Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• MTNeuro: A Benchmark for Evaluating Representations of Brain Structure Across Multiple Levels of Abstraction [0.0]
  脳のマッピングでは、画像を自動的に解析して、小さな特徴とグローバルな特性の両方の表現を構築することは、決定的かつオープンな課題である。 我々のベンチマーク(MTNeuro)は、マウス脳の広い領域にまたがる体積分解能X線マイクロトモグラフィー画像に基づいている。 我々は様々な予測課題を生み出し、脳領域予測と画素レベルの微構造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教師付きおよび自己教師型モデルを評価した。
  論文  参考訳（メタデータ） (2023-01-01T04:54:03Z)
• Cross-domain Microscopy Cell Counting by Disentangled Transfer Learning [1.52292571922932]
  弱い人間のアノテーションのみを必要とするクロスドメイン細胞カウント手法を提案する。 我々は、ソースドメインとして合成細胞からなる公開データセットを使用する。 実際の細胞画像の新しいターゲット領域にドメインに依存しない知識のみを転送する。
  論文  参考訳（メタデータ） (2022-11-26T18:41:37Z)
• Edge-Based Self-Supervision for Semi-Supervised Few-Shot Microscopy Image Cell Segmentation [16.94384366469512]
  本稿では,未ラベル画像の訓練を自己監督するためのエッジマップの予測を提案する。 実験の結果,従来のトレーニングセットの10%など,少数のアノテートされたイメージだけが,完全なアノテートされたデータベースを1～10ショットで処理するのと同じようなパフォーマンスに達するには十分であることがわかった。
  論文  参考訳（メタデータ） (2022-08-03T14:35:00Z)
• 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)
• Unsupervised Domain Adaptation with Contrastive Learning for OCT Segmentation [49.59567529191423]
  本稿では,新しい未ラベル領域からのボリューム画像のセグメンテーションのための,新しい半教師付き学習フレームワークを提案する。 教師付き学習とコントラスト学習を併用し、3次元の近傍スライス間の類似性を利用したコントラストペア方式を導入する。
  論文  参考訳（メタデータ） (2022-03-07T19:02:26Z)
• Adversarial Semantic Hallucination for Domain Generalized Semantic Segmentation [50.14933487082085]
  本稿では,クラスワイド・幻覚モジュールとセマンティック・セグメンテーション・モジュールを組み合わせた対向幻覚手法を提案する。 対象とするドメインデータをトレーニングに使用できない場合に,提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2021-06-08T07:07:45Z)
• DoFE: Domain-oriented Feature Embedding for Generalizable Fundus Image Segmentation on Unseen Datasets [96.92018649136217]
  対象ドメインに対するCNNの一般化能力を向上させるために,新しいドメイン指向特徴埋め込み(DoFE)フレームワークを提案する。 私たちのDoFEフレームワークは、マルチソースドメインから学んだ追加のドメイン事前知識で、画像機能を動的に強化します。 本フレームワークは、未確認データセットのセグメンテーション結果を満足して生成し、他の領域の一般化やネットワークの正規化手法を超越する。
  論文  参考訳（メタデータ） (2020-10-13T07:28:39Z)
• Mining Cross-Image Semantics for Weakly Supervised Semantic Segmentation [128.03739769844736]
  2つのニューラルコアテンションを分類器に組み込んで、画像間のセマンティックな類似点と相違点をキャプチャする。 オブジェクトパターン学習の強化に加えて、コアテンションは他の関連する画像からのコンテキストを活用して、ローカライズマップの推論を改善することができる。 提案アルゴリズムは,これらすべての設定に対して新たな最先端性を設定し,その有効性と一般化性を示す。
  論文  参考訳（メタデータ） (2020-07-03T21:53:46Z)

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。