論文の概要: Registration of serial sections: An evaluation method based on distortions of the ground truths

• arxiv url: http://arxiv.org/abs/2011.11060v2
• Date: Sun, 6 Jun 2021 18:01:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-22 12:10:48.547989
• Title: Registration of serial sections: An evaluation method based on distortions of the ground truths
• Title（参考訳）: 直列区間の登録:地上真理の歪みに基づく評価法
• Authors: Oleg Lobachev, Takuya Funatomi, Alexander Pfaffenroth, Reinhold F\"orster, Lars Knudsen, Christoph Wrede, Michael Guthe, David Haberth\"ur, Ruslan Hlushchuk, Thomas Salaets, Jaan Toelen, Simone Gaffling, Christian M\"uhlfeld, Roman Grothausmann
• Abstract要約: 本研究は, 地盤構造に基づく登録評価手法を提案する。 我々は、直列断面の切削歪みと似た方法で、自然に登録された画像スタックを歪ませる。 テストケースは既存の3Dデータセットから生成されるため、基礎的な真実は分かっていない。
• 参考スコア（独自算出の注目度）: 46.25042181809903
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Registration of histological serial sections is a challenging task. Serial sections exhibit distortions and damage from sectioning. Missing information on how the tissue looked before cutting makes a realistic validation of 2D registrations extremely difficult. This work proposes methods for ground-truth-based evaluation of registrations. Firstly, we present a methodology to generate test data for registrations. We distort an innately registered image stack in the manner similar to the cutting distortion of serial sections. Test cases are generated from existing 3D data sets, thus the ground truth is known. Secondly, our test case generation premises evaluation of the registrations with known ground truths. Our methodology for such an evaluation technique distinguishes this work from other approaches. Both under- and over-registration become evident in our evaluations. We also survey existing validation efforts. We present a full-series evaluation across six different registration methods applied to our distorted 3D data sets of animal lungs. Our distorted and ground truth data sets are made publicly available.
• Abstract（参考訳）: 組織学的シリアルセクションの登録は難しい課題である。 シリアルセクションは、断面の歪みと損傷を示す。 切断前に組織がどのように見えるかを見逃すことで、2D登録の現実的な検証は非常に困難になる。 本研究は, 地盤構造に基づく登録評価手法を提案する。 まず,登録のためのテストデータを生成する手法を提案する。 連続断面の切削歪に類似した方法で,固有に登録された画像スタックを歪ませる。 テストケースは、既存の3dデータセットから生成されるため、基礎的な真実が知られている。 第二に, 既知の真理を持つ登録について, テスト事例生成の前提評価を行う。 このような評価手法の方法論は他の手法と区別する。 過剰登録と過剰登録の両方が我々の評価で明らかになる。 既存の検証の取り組みについても調査する。 動物肺の歪んだ3Dデータセットに適用した6種類の登録方法のフルシリーズ評価を行った。 我々の歪んだ真実のデータセットは公開されています。

関連論文リスト

• Joint segmentation and discontinuity-preserving deformable registration: Application to cardiac cine-MR images [74.99415008543276]
  多くの深層学習に基づく登録法は、変形場は画像領域の至る所で滑らかで連続的であると仮定する。 本研究では,この課題に対処するために,不連続かつ局所的に滑らかな変形場を確保するための新しい不連続保存画像登録手法を提案する。 入力画像の構造的相関を学習するために,ネットワークのセグメンテーション成分にコアテンションブロックを提案する。 大規模心磁気共鳴画像系列を用いた物体内時間画像登録の課題について検討した。
  論文  参考訳（メタデータ） (2022-11-24T23:45:01Z)
• Unsupervised Anomaly Detection in 3D Brain MRI using Deep Learning with impured training data [53.122045119395594]
  トレーニングデータ中の不健康なサンプルが脳MRIスキャンの異常検出性能に与える影響について検討した。 AEの再構成誤差に基づいて,トレーニング中に誤ラベル付きサンプルを直接識別する手法の評価を行った。
  論文  参考訳（メタデータ） (2022-04-12T13:05:18Z)
• Probabilistic Registration for Gaussian Process 3D shape modelling in the presence of extensive missing data [63.8376359764052]
  本稿では,ガウス過程の定式化に基づく形状適合/登録手法を提案する。 様々な変換を持つ2次元の小さなデータセットと耳の3次元データセットの両方で実験が行われる。
  論文  参考訳（メタデータ） (2022-03-26T16:48:27Z)
• A Continual Learning Framework for Adaptive Defect Classification and Inspection [7.552600549241253]
  機械ビジョンに基づく欠陥分類技術は製造工程における自動品質検査に広く採用されている。 本稿では,不正サンプルの効率的な検査を行い,高ボリュームデータバッチから欠陥を分類する一般的なフレームワークについて述べる。
  論文  参考訳（メタデータ） (2022-03-16T17:57:41Z)
• Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
  3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。 そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
  論文  参考訳（メタデータ） (2021-11-30T18:42:42Z)
• What Stops Learning-based 3D Registration from Working in the Real World? [53.68326201131434]
  この研究は、3Dポイントのクラウド登録失敗の原因を特定し、その原因を分析し、解決策を提案する。 最終的に、これは最も実践的な3D登録ネットワーク(BPNet)に変換される。 我々のモデルは微調整をせずに実データに一般化し、商用センサで得られた見えない物体の点雲上で最大67%の精度に達する。
  論文  参考訳（メタデータ） (2021-11-19T19:24:27Z)
• CycleMorph: Cycle Consistent Unsupervised Deformable Image Registration [34.546992605648086]
  サイクル整合性は、変形中のトポロジを保存するために暗黙の正規化を提供することで、画像登録性能を向上させる。 医学的・非医学的な応用から得られた様々なデータセットに対する実験結果から,提案手法は,数秒以内に多様な画像対を効果的かつ正確に登録できることを示した。
  論文  参考訳（メタデータ） (2020-08-13T09:30:12Z)
• Deform-GAN:An Unsupervised Learning Model for Deformable Registration [4.030402376540977]
  本稿では,教師なし学習を利用した3次元医用画像の非剛性登録手法を提案する。 提案した勾配損失は、大きな変形のためのシーケンスやモーダルにわたって頑健である。 トレーニング中は、接地や手動のラベリングは必要とされない。
  論文  参考訳（メタデータ） (2020-02-26T12:20:46Z)

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。