論文の概要: Spherical Harmonics for Shape-Constrained 3D Cell Segmentation
- arxiv url: http://arxiv.org/abs/2010.12369v1
- Date: Fri, 23 Oct 2020 12:58:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-03 23:20:10.676761
- Title: Spherical Harmonics for Shape-Constrained 3D Cell Segmentation
- Title（参考訳）: 形状拘束型3次元セル分割のための球高調波
- Authors: Dennis Eschweiler and Malte Rethwisch and Simon Koppers and Johannes
Stegmaier
- Abstract要約: 三次元顕微鏡画像データにおいて, セルのセグメンテーションに対するニューラルネットワークの予測を本質的に制約する代替手段として, 球面調和がいかに用いられるかを示す。
- 参考スコア（独自算出の注目度）: 0.7525061684310219
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent microscopy imaging techniques allow to precisely analyze cell
morphology in 3D image data. To process the vast amount of image data generated
by current digitized imaging techniques, automated approaches are demanded more
than ever. Segmentation approaches used for morphological analyses, however,
are often prone to produce unnaturally shaped predictions, which in conclusion
could lead to inaccurate experimental outcomes. In order to minimize further
manual interaction, shape priors help to constrain the predictions to the set
of natural variations. In this paper, we show how spherical harmonics can be
used as an alternative way to inherently constrain the predictions of neural
networks for the segmentation of cells in 3D microscopy image data. Benefits
and limitations of the spherical harmonic representation are analyzed and final
results are compared to other state-of-the-art approaches on two different data
sets.
- Abstract（参考訳）: 最近の顕微鏡イメージング技術は、3D画像データ中の細胞形態を正確に解析することができる。
現在のデジタル画像技術によって生成される膨大な画像データを処理するためには、自動化されたアプローチがこれまで以上に要求される。
しかし、形態学的解析に使用されるセグメンテーションアプローチは、しばしば不自然な形の予測を生み出す傾向があり、結果として不正確な実験結果をもたらす可能性がある。
さらに手動の相互作用を最小限に抑えるため、形状の先行は予測を自然な変動の集合に制約するのに役立つ。
本稿では,球面高調波を3次元顕微鏡画像データにおいて,神経細胞のセグメンテーションに対するニューラルネットワークの予測を本質的に制約する方法として用いる方法を提案する。
球面調和表現の利点と限界を解析し、2つの異なるデータセットに対する他の最先端のアプローチと比較する。
関連論文リスト
- Using convolutional neural networks for stereological characterization
of 3D hetero-aggregates based on synthetic STEM data [0.0]
パラメトリックな3Dモデルが提示され、そこから多数の仮想ヘテロアグリゲートが生成される。
仮想構造は、仮想走査透過電子顕微鏡(STEM)画像を生成するために物理シミュレーションツールに渡される。
畳み込みニューラルネットワークは、2次元STEM画像からヘテロアグリゲートの3次元構造を予測するために訓練される。
論文 参考訳（メタデータ） (2023-10-27T22:49:08Z) - Learning to Predict 3D Rotational Dynamics from Images of a Rigid Body with Unknown Mass Distribution [4.386534439007928]
画像列から3次元回転力学を推定・予測するための物理ベースニューラルネットワークモデルを提案する。
本研究は, 回転物体の合成画像列の新たな回転剛体データセットに対するアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2023-08-24T17:47:32Z) - Neural Textured Deformable Meshes for Robust Analysis-by-Synthesis [17.920305227880245]
本稿では, 近似解析を用いた三重視覚タスクを一貫した方法で定式化する。
実世界の画像で評価すると、従来のニューラルネットワークよりも、我々の分析バイシンセシスの方がはるかに堅牢であることが示される。
論文 参考訳（メタデータ） (2023-05-31T18:45:02Z) - Learning Interpretable Dynamics from Images of a Freely Rotating 3D
Rigid Body [1.143707646428782]
画像列から3次元回転力学を推定・予測する物理インフォームドニューラルネットワークモデルを提案する。
回転立方体と正方形プリズムを一様・一様・非一様に配列した新しい回転剛体データセットに対して,本手法の有効性を実証した。
論文 参考訳（メタデータ） (2022-09-23T00:35:22Z) - Neural Implicit Representations for Physical Parameter Inference from a Single Video [49.766574469284485]
本稿では,外見モデルのためのニューラル暗黙表現と,物理現象をモデル化するためのニューラル常微分方程式(ODE)を組み合わせることを提案する。
提案モデルでは,大規模なトレーニングデータセットを必要とする既存のアプローチとは対照的に,単一のビデオから物理的パラメータを識別することが可能になる。
ニューラル暗示表現を使用することで、高解像度ビデオの処理とフォトリアリスティック画像の合成が可能になる。
論文 参考訳（メタデータ） (2022-04-29T11:55:35Z) - 3D Reconstruction of Curvilinear Structures with Stereo Matching
DeepConvolutional Neural Networks [52.710012864395246]
本稿では,立体対における曲線構造の検出とマッチングのための完全自動パイプラインを提案する。
主に、TEM画像のステレオ対から転位を3次元再構成することに焦点を当てる。
論文 参考訳（メタデータ） (2021-10-14T23:05:47Z) - Scene Synthesis via Uncertainty-Driven Attribute Synchronization [52.31834816911887]
本稿では,3次元シーンの多様な特徴パターンを捉えるニューラルシーン合成手法を提案する。
提案手法は,ニューラルネットワークと従来のシーン合成手法の双方の長所を結合する。
論文 参考訳（メタデータ） (2021-08-30T19:45:07Z) - Data-Driven Shadowgraph Simulation of a 3D Object [50.591267188664666]
我々は、数値コードをより安価でプロジェクションベースのサロゲートモデルに置き換えている。
このモデルは、数値的な方法で必要となるすべての前の電場を計算することなく、所定の時間で電場を近似することができる。
このモデルでは, シミュレーションパラメータの狭い範囲におけるデータの摂動問題において, 高品質な再構成が示されており, 大規模な入力データに利用することができる。
論文 参考訳（メタデータ） (2021-06-01T08:46:04Z) - 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) - Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。
本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
論文 参考訳（メタデータ） (2020-10-05T14:18:52Z) - Monocular Human Pose and Shape Reconstruction using Part Differentiable
Rendering [53.16864661460889]
近年の研究では、3次元基底真理によって教師されるディープニューラルネットワークを介してパラメトリックモデルを直接推定する回帰に基づく手法が成功している。
本稿では,ボディセグメンテーションを重要な監視対象として紹介する。
部分分割による再構成を改善するために,部分分割により部分ベースモデルを制御可能な部分レベル微分可能部を提案する。
論文 参考訳（メタデータ） (2020-03-24T14:25:46Z)
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。