論文の概要: Cross-modal registration using point clouds and graph-matching in the
context of correlative microscopies
- arxiv url: http://arxiv.org/abs/2012.00656v1
- Date: Tue, 1 Dec 2020 17:27:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-31 01:40:34.450866
- Title: Cross-modal registration using point clouds and graph-matching in the
context of correlative microscopies
- Title(参考訳): 相関顕微鏡における点雲とグラフマッチングを用いたクロスモーダル登録
- Authors: Stephan Kunne (1), Guillaume Potier (1), Jean M\'erot (1), Perrine
Paul-Gilloteaux (1 and 2) ((1) l'institut du thorax Nantes (2) MicroPICell
SFR Sante F. Bonamy)
- Abstract要約: 本稿では,生物学者が選択したコンテンツから生成した点雲に基づくアプローチを提案する。
これらの点の雲は密度の大きな違いを引き起こすが、部品や外れ値も欠落している。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Correlative microscopy aims at combining two or more modalities to gain more
information than the one provided by one modality on the same biological
structure. Registration is needed at different steps of correlative
microscopies workflows. Biologists want to select the image content used for
registration not to introduce bias in the correlation of unknown structures.
Intensity-based methods might not allow this selection and might be too slow
when the images are very large. We propose an approach based on point clouds
created from selected content by the biologist. These point clouds may be prone
to big differences in densities but also missing parts and outliers. In this
paper we present a method of registration for point clouds based on graph
building and graph matching, and compare the method to iterative closest point
based methods.
- Abstract(参考訳): 相関顕微鏡は、2つ以上のモダリティを組み合わせることで、同じ生体構造上の1つのモダリティによって提供されるものよりも多くの情報を得る。
相関顕微鏡ワークフローの異なるステップで登録が必要である。
生物学者は、未知の構造の相関にバイアスを生じさせないために、登録に使用される画像の内容を選択したい。
強度に基づく方法は、この選択を許さないかもしれないし、画像がとても大きいと遅すぎるかもしれない。
生物学者が選択したコンテンツから生成された点雲に基づくアプローチを提案する。
これらの点の雲は密度の大きな違いを引き起こすが、部品や外れ値も欠落している。
本稿では,グラフ構築とグラフマッチングに基づくポイントクラウドの登録方法を提案し,反復的最接近点ベース手法と比較する。
関連論文リスト
- Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。
最初はFlyTracingという名前のデータセットを構築しました。
本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
論文 参考訳(メタデータ) (2024-01-05T19:45:12Z) - Diffusion-based Data Augmentation for Nuclei Image Segmentation [68.28350341833526]
核セグメンテーションのための拡散法を初めて導入する。
このアイデアは、多数のラベル付き画像を合成し、セグメンテーションモデルを訓練することを目的としている。
実験の結果,10%のラベル付き実データセットを合成サンプルで拡張することにより,同等のセグメンテーション結果が得られることがわかった。
論文 参考訳(メタデータ) (2023-10-22T06:16:16Z) - FreeReg: Image-to-Point Cloud Registration Leveraging Pretrained Diffusion Models and Monocular Depth Estimators [37.39693977657165]
イメージとポイントクラウド間のクロスモダリティ機能をマッチングすることは、イメージツーポイントクラウド登録の根本的な問題である。
まず,事前学習した大規模モデルを用いて,画像と点雲のモダリティを統一することを提案する。
画像から画像への拡散モデルから抽出した拡散特徴と呼ばれる中間的特徴が,画像と点雲の間で意味的に一致していることを示す。
論文 参考訳(メタデータ) (2023-10-05T09:57:23Z) - TractCloud: Registration-free tractography parcellation with a novel
local-global streamline point cloud representation [63.842881844791094]
現在のトラクトグラフィーのパーセレーション法は登録に大きく依存しているが、登録の不正確さはパーセレーションに影響を及ぼす可能性がある。
我々は,個別の主題空間で直接,脳全体のトラクトログラフィ解析を行う,登録不要のフレームワークであるTractCloudを提案する。
論文 参考訳(メタデータ) (2023-07-18T06:35:12Z) - Multi-Scale Relational Graph Convolutional Network for Multiple Instance
Learning in Histopathology Images [2.6663738081163726]
マルチスケールグラフ畳み込みネットワーク(MS-RGCN)をマルチラーニング手法として導入する。
病理組織像パッチと近隣のパッチと他のスケールのパッチとの関係をグラフとしてモデル化する。
前立腺癌の病理組織像を実験的に検討し,パッチから抽出した特徴に基づいて拡大群を予測した。
論文 参考訳(メタデータ) (2022-12-17T02:26:42Z) - Representing Videos as Discriminative Sub-graphs for Action Recognition [165.54738402505194]
ビデオ中の各アクションの識別パターンを表現およびエンコードするためのサブグラフの新たな設計を提案する。
時空グラフとクラスタを各スケールでコンパクトなサブグラフに新たに構築するMUlti-scale Sub-Earn Ling (MUSLE) フレームワークを提案する。
論文 参考訳(メタデータ) (2022-01-11T16:15:25Z) - Bridging the Gap: Point Clouds for Merging Neurons in Connectomics [7.519872646378835]
本稿では,ニューロンの点雲表現に基づく新しい手法を提案する。
我々は,本手法が強靭に機能するだけでなく,他の手法が解決しようとしているギャップをはるかに越えて,合理的にスケール可能であることを示す。
論文 参考訳(メタデータ) (2021-12-03T17:38:56Z) - Learning from Partially Overlapping Labels: Image Segmentation under
Annotation Shift [68.6874404805223]
腹部臓器分節の文脈におけるラベルの重複から学ぶためのいくつかの方法を提案する。
半教師付きアプローチと適応的クロスエントロピー損失を組み合わせることで、不均一な注釈付きデータをうまく活用できることが判明した。
論文 参考訳(メタデータ) (2021-07-13T09:22:24Z) - DeepI2P: Image-to-Point Cloud Registration via Deep Classification [71.3121124994105]
DeepI2Pは、イメージとポイントクラウドの間のクロスモダリティ登録のための新しいアプローチです。
本手法は,カメラとライダーの座標フレーム間の相対的剛性変換を推定する。
登録問題を分類および逆カメラ投影最適化問題に変換することで難易度を回避する。
論文 参考訳(メタデータ) (2021-04-08T04:27:32Z) - Modality Attention and Sampling Enables Deep Learning with Heterogeneous
Marker Combinations in Fluorescence Microscopy [5.334932400937323]
蛍光顕微鏡は、色チャネルとして可視化された様々な慎重に選択されたマーカーで染色することで、細胞、細胞ネットワーク、解剖学的ランドマークの詳細な検査を可能にする。
他の視覚応用におけるディープラーニング手法の成功にもかかわらず、蛍光画像解析の可能性はまだ明らかになっていない。
本稿では,モダリティサンプリング戦略と新しいアテンションモジュールを備えたニューラルネットワーク手法であるMarker Sampling and Exciteを提案する。
論文 参考訳(メタデータ) (2020-08-27T21:57:07Z) - Gaussian Graphical Model exploration and selection in high dimension low
sample size setting [0.0]
GGM推論手法の2つのファミリ(ノードワイドエッジ選択)とペナル化極大化(ペナル化極大化)を比較した。
まず、脳画像データ、次に生物学的ネフローロジデータに関する2つの具体的なケースについて、アルゴリズムの関心を示す。
論文 参考訳(メタデータ) (2020-03-11T09:00:52Z)
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。