論文の概要: Recovering the Imperfect: Cell Segmentation in the Presence of Dynamically Localized Proteins

• arxiv url: http://arxiv.org/abs/2011.10486v1
• Date: Fri, 20 Nov 2020 16:30:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-09-23 06:07:41.043962
• Title: Recovering the Imperfect: Cell Segmentation in the Presence of Dynamically Localized Proteins
• Title（参考訳）: 動的局在タンパク質の存在下での不完全:細胞分裂の回復
• Authors: \"Ozg\"un \c{C}i\c{c}ek, Yassine Marrakchi, Enoch Boasiako Antwi, Barbara Di Ventura and Thomas Brox
• Abstract要約: 時間的伝搬と不確実性推定に基づく不完全データの分節化の解を提供する。 本研究では,ヒト胚性腎臓細胞からのデータに対するフレーム・バイ・フレーム・セグメンテーションと時間的伝播に対するこのアプローチの価値を実証する。
• 参考スコア（独自算出の注目度）: 31.835275627382497
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deploying off-the-shelf segmentation networks on biomedical data has become common practice, yet if structures of interest in an image sequence are visible only temporarily, existing frame-by-frame methods fail. In this paper, we provide a solution to segmentation of imperfect data through time based on temporal propagation and uncertainty estimation. We integrate uncertainty estimation into Mask R-CNN network and propagate motion-corrected segmentation masks from frames with low uncertainty to those frames with high uncertainty to handle temporary loss of signal for segmentation. We demonstrate the value of this approach over frame-by-frame segmentation and regular temporal propagation on data from human embryonic kidney (HEK293T) cells transiently transfected with a fluorescent protein that moves in and out of the nucleus over time. The method presented here will empower microscopic experiments aimed at understanding molecular and cellular function.
• Abstract（参考訳）: バイオメディカルデータにオフザシェルフセグメンテーションネットワークを配置することは一般的に行われているが、画像シーケンスに対する関心構造が一時的にしか見えない場合、既存のフレーム・バイ・フレーム方式は失敗する。 本稿では,時間的伝搬と不確実性推定に基づく不完全データの分節化の解を提供する。 不確実性推定をマスクr-cnnネットワークに統合し、不確実性の低いフレームから不確実性の高いフレームへ動き補正されたセグメンテーションマスクを伝播させ、セグメンテーションのための信号の一時的な損失に対処する。 ヒト胚腎(hek293t)細胞から得られたデータに対するフレーム毎のセグメンテーションと定期的な時間的伝播に対するこのアプローチの価値を,時間とともに核内を移動・移動する蛍光タンパク質で一過性にトランスフェクトした。 この方法は、分子機能と細胞機能を理解するための顕微鏡実験を強化する。

関連論文リスト

• Event-based Visual Deformation Measurement [76.25283405575108]
  視覚的変形測定は、カメラ観測から表面の動きを追跡することによって、高密度な変形場を復元することを目的としている。 従来の画像ベースの手法は、対応検索空間を制限するため、最小限のフレーム間動作に依存している。 本研究では,時間的に密集した動きキューやフレームのイベントを利用して,空間的に密集した正確な推定を行うイベントフレーム融合フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-16T01:04:48Z)
• Unleashing Temporal Capacity of Spiking Neural Networks through Spatiotemporal Separation [67.69345363409835]
  スパイキングニューラルネットワーク(SNN)は、時間的処理に自然に適していると考えられており、膜電位の伝播は、コア時間的モデリングメカニズムとして広く見なされている。 我々は, 膜伝播を段階的に段階的に除去する非ステートフル(NS)モデルの設計を行った。
  論文  参考訳（メタデータ） (2025-12-05T07:05:53Z)
• TARDis: Time Attenuated Representation Disentanglement for Incomplete Multi-Modal Tumor Segmentation and Classification [10.329406702659123]
  造影CT(Contrat-enhanced Computed Tomography)における腫瘍の分画と診断は,造影剤の生理的動態に大きく依存している。 既存のディープラーニングアプローチは、欠落した相を欠落した独立したチャネルとして扱い、血行動態の本質的な時間的連続性を無視している。 本稿では,連続時間短縮曲線の欠落点として欠落点を再定義する新しい物理認識フレームワークであるTime Attenuated Representation Disentanglement (TARDis)を提案する。
  論文  参考訳（メタデータ） (2025-12-04T08:44:50Z)
• Instance-Aware Robust Consistency Regularization for Semi-Supervised Nuclei Instance Segmentation [53.94176748542936]
  本稿では、インスタンスレベルの正確な核分割のためのインスタンス対応ロバスト整合性正規化ネットワーク(IRCR-Net)を提案する。 病理画像に核形態学的な先行知識を取り入れ,これらの先行知識を用いてラベルのないデータから生成された擬似ラベルの品質を評価する。
  論文  参考訳（メタデータ） (2025-10-10T12:32:32Z)
• CUTE-MRI: Conformalized Uncertainty-based framework for Time-adaptivE MRI [1.0209145746316146]
  この研究は、オブジェクトごとのスキャン時間を調整する、動的で不確実性を認識した買収フレームワークを導入している。 我々は整合予測を用いて、この不確かさを計量の厳密で校正された信頼区間に変換する。 この適応的手法は,最終的な画像の精度に関する公式な統計的保証を提供しながら,固定されたプロトコルと比較してスキャン時間を短縮することを示す。
  論文  参考訳（メタデータ） (2025-08-20T14:56:42Z)
• Imputation of Missing Data in Smooth Pursuit Eye Movements Using a Self-Attention-based Deep Learning Approach [0.0]
  本稿では,時系列に自己注意型Imputation Networkを用いた新しいImputationフレームワークを提案する。 我々は、スムーズな追従眼球運動シーケンスを表現するために、カスタムメイドのオートエンコーダを用いて、インプテッドデータを洗練する。 その結果,再建眼球運動系列の精度は有意に向上した。
  論文  参考訳（メタデータ） (2025-05-31T13:10:30Z)
• Uncertainty-aware retinal layer segmentation in OCT through probabilistic signed distance functions [6.765624289092461]
  オプティカルコヒーレンス・トモグラフィー(OCT)スキャンにおける不確実性認識網膜層セグメンテーションの新しいアプローチを提案する。 本手法は、レベルセットを介して網膜層形状を効果的にパラメータ化する符号付き距離関数(SDF)を予測することにより、セグメンテーションを洗練する。 これにより、あいまいな入力、撮像ノイズ、信頼できないセグメンテーションが存在する場合でも、網膜層の堅牢な表現が保証される。
  論文  参考訳（メタデータ） (2024-12-06T10:44:11Z)
• Robust Real-time Segmentation of Bio-Morphological Features in Human Cherenkov Imaging during Radiotherapy via Deep Learning [4.726507415759874]
  チェレンコフイメージングは、放射線治療(RT)中の患者への大容量X線または電子線送達のリアルタイム可視化を可能にする これらの画像に見られる血管などの生体形態学的特徴は、位置決めと運動管理の検証に使用できる患者固有のシグネチャである。 本研究は,映像フレームレート処理を実現するための,そのようなアプリケーションのための最初のディープラーニングフレームワークを実証した。
  論文  参考訳（メタデータ） (2024-09-09T14:37:33Z)
• LGRNet: Local-Global Reciprocal Network for Uterine Fibroid Segmentation in Ultrasound Videos [19.661094457941417]
  正常スクリーニングと子宮線維化の早期発見は悪性化の予防に不可欠である。 本稿ではLGRNet(Local-Global Reciprocal Network)を提案する。
  論文  参考訳（メタデータ） (2024-07-08T08:06:06Z)
• FlowSDF: Flow Matching for Medical Image Segmentation Using Distance Transforms [60.195642571004804]
  本稿では,セグメンテーションマスクの暗黙分布を表現するために,画像誘導型条件付きフローマッチングフレームワークであるFlowSDFを紹介する。 本フレームワークは,セグメンテーションマスクの正確なサンプリングと関連する統計指標の計算を可能にする。
  論文  参考訳（メタデータ） (2024-05-28T11:47:12Z)
• Cell Tracking according to Biological Needs -- Strong Mitosis-aware Multi-Hypothesis Tracker with Aleatoric Uncertainty [20.015078699404143]
  動作推定のための不確実性推定手法を導入し,多仮説追跡フレームワークを拡張した。 我々の不確実性推定は、問題固有のテスト時間拡張を用いて、運動表現を確率論的空間密度に引き上げる。 我々の枠組みでは、明示的な生物学的知識は割り当てコストでモデル化される。
  論文  参考訳（メタデータ） (2024-03-22T07:49:55Z)
• Fuzzy Attention Neural Network to Tackle Discontinuity in Airway Segmentation [67.19443246236048]
  気道セグメンテーションは肺疾患の検査、診断、予後に重要である。 いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。 本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T16:38:13Z)
• Temporal Transductive Inference for Few-Shot Video Object Segmentation [27.140141181513425]
  Few-shot Object segmentation (FS-VOS) は、初期訓練中に見えないクラスのラベル付き例を用いて、ビデオフレームのセグメンテーションを目的としている。 我々のアプローチの鍵は、グローバルな時間的制約とローカルな時間的制約の両方を使用することである。 経験的に、我々のモデルは、YouTube-VIS上の組合間の平均交点を2.8%上回る、最先端のメタラーニングアプローチより優れている。
  論文  参考訳（メタデータ） (2022-03-27T14:08:30Z)
• Recurrence-in-Recurrence Networks for Video Deblurring [58.49075799159015]
  最先端のビデオデブロアリング法は、しばしばフレーム間の時間的依存性をモデル化するために、リカレントニューラルネットワークを採用する。 本稿では,短距離メモリの限界に対処する再帰型ネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-03-12T11:58:13Z)
• Search for temporal cell segmentation robustness in phase-contrast microscopy videos [31.92922565397439]
  本研究では,3次元コラーゲンマトリックスに埋め込まれた癌細胞を分画する深層学習ワークフローを提案する。 また, 癌細胞形態を研究するための幾何学的特徴付け手法を提案する。 2Dセルのセグメンテーションと追跡のための新しいアノテーション付きデータセットと、実験を再現したり、新しい画像処理問題に適応するためのオープンソース実装を導入する。
  論文  参考訳（メタデータ） (2021-12-16T12:03:28Z)
• Inconsistency-aware Uncertainty Estimation for Semi-supervised Medical Image Segmentation [92.9634065964963]
  我々は、不確実性推定と個別の自己学習戦略に基づいて、新しい半教師付きセグメンテーションモデル、すなわち保守的ラディカルネットワーク(CoraNet)を提案する。 現在の技術と比較すると、ColaNetは優れたパフォーマンスを示しています。
  論文  参考訳（メタデータ） (2021-10-17T08:49:33Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• Unsupervised Instance Segmentation in Microscopy Images via Panoptic Domain Adaptation and Task Re-weighting [86.33696045574692]
  病理組織像における教師なし核分割のためのCycle Consistency Panoptic Domain Adaptive Mask R-CNN(CyC-PDAM)アーキテクチャを提案する。 まず,合成画像中の補助的な生成物を除去するための核塗布機構を提案する。 第二に、ドメイン識別器を持つセマンティックブランチは、パンプトレベルのドメイン適応を実現するように設計されている。
  論文  参考訳（メタデータ） (2020-05-05T11:08:26Z)
• Residual-Sparse Fuzzy $C$-Means Clustering Incorporating Morphological Reconstruction and Wavelet frames [146.63177174491082]
  Fuzzy $C$-Means (FCM)アルゴリズムは、形態的再構成操作とタイトウェーブレットフレーム変換を組み込んでいる。 特徴集合とその理想値の間の残差に対して$ell_0$正規化項を付与することにより、改良されたFCMアルゴリズムを提案する。 合成, 医用, カラー画像に対する実験結果から, 提案アルゴリズムは効率的かつ効率的であり, 他のアルゴリズムよりも優れていた。
  論文  参考訳（メタデータ） (2020-02-14T10:00:03Z)

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。