論文の概要: Single Neuron Segmentation using Graph-based Global Reasoning with
Auxiliary Skeleton Loss from 3D Optical Microscope Images
- arxiv url: http://arxiv.org/abs/2101.08910v1
- Date: Fri, 22 Jan 2021 01:27:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-20 17:18:29.245471
- Title: Single Neuron Segmentation using Graph-based Global Reasoning with
Auxiliary Skeleton Loss from 3D Optical Microscope Images
- Title（参考訳）: 3次元光学顕微鏡画像からの補助骨格損失を用いたグラフベースグローバル推論を用いた単一ニューロン分割
- Authors: Heng Wang, Yang Song, Chaoyi Zhang, Jianhui Yu, Siqi Liu, Hanchuan
Peng, Weidong Cai
- Abstract要約: 局所的出現とグローバルジオメトリ特性を共同で検討し,エンドツーエンドのセグメンテーションネットワークを提案する。
The evaluation results on the Janelia dataset from the BigNeuron project showed that our proposed method is over the other algorithm in performance。
- 参考スコア（独自算出の注目度）: 30.539098538610013
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: One of the critical steps in improving accurate single neuron reconstruction
from three-dimensional (3D) optical microscope images is the neuronal structure
segmentation. However, they are always hard to segment due to the lack in
quality. Despite a series of attempts to apply convolutional neural networks
(CNNs) on this task, noise and disconnected gaps are still challenging to
alleviate with the neglect of the non-local features of graph-like tubular
neural structures. Hence, we present an end-to-end segmentation network by
jointly considering the local appearance and the global geometry traits through
graph reasoning and a skeleton-based auxiliary loss. The evaluation results on
the Janelia dataset from the BigNeuron project demonstrate that our proposed
method exceeds the counterpart algorithms in performance.
- Abstract（参考訳）: 3次元(3D)光学顕微鏡画像から正確な単一ニューロン再構成を改善する重要なステップの1つは、神経構造セグメンテーションである。
しかし、品質の欠如のため、セグメント化が常に難しい。
畳み込みニューラルネットワーク(convolutional neural networks, cnns)をこのタスクに適用しようという試みは相変わらず行われたが、ノイズと断線ギャップは、グラフのような管状神経構造の非局所的な特徴を無視することの軽減に依然として困難である。
そこで我々は,局所的な外観とグローバルな幾何学的特徴をグラフ推論と骨格に基づく補助的損失を通じて共同で考慮し,エンドツーエンドのセグメンテーションネットワークを提案する。
The evaluation results on the Janelia dataset from the BigNeuron project showed that our proposed method is over the other algorithm in performance。
関連論文リスト
- NeuroFly: A framework for whole-brain single neuron reconstruction [17.93211301158225]
本稿では,大規模な単一ニューロン再構築のための検証フレームワークであるNeuroFlyを紹介する。
NeuroFlyはプロセスを、セグメンテーション、接続、証明の3つのステージに分割する。
私たちの目標は、ニューロン再構築の課題に取り組むために、研究者間のコラボレーションを促進することです。
論文 参考訳（メタデータ） (2024-11-07T13:56:13Z) - Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。
管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
論文 参考訳（メタデータ） (2024-01-11T19:07:58Z) - 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) - Geometric Learning-Based Transformer Network for Estimation of
Segmentation Errors [1.376408511310322]
そこで本研究では,セグメントマップ内の誤り領域を同定し,測定する手法を提案する。
提案手法は, 疑似ボリューム分割マップから生成された3次元メッシュの任意の点やノードにおける誤差を推定できる。
我々は,ヒト内耳骨迷路構造の高分解能マイクロCTデータセットを用いてネットワークの評価を行った。
論文 参考訳（メタデータ） (2023-08-09T16:58:03Z) - Benchmarking Graph Neural Networks for FMRI analysis [0.0]
グラフニューラルネットワーク(GNN)は、グラフ構造化データから学習するための強力なツールとして登場した。
うつ病と自閉症スペクトラム障害の診断における5つのGNNアーキテクチャの性能について検討・評価を行った。
機能的脳データのための最適グラフ構造を作成することは、GNNの性能を阻害する主要なボトルネックである。
論文 参考訳（メタデータ） (2022-11-16T14:16:54Z) - PointNeuron: 3D Neuron Reconstruction via Geometry and Topology Learning
of Point Clouds [18.738943602529805]
本稿では3次元ニューロン再構築のための新しい枠組みを提案する。
私たちのキーとなるアイデアは、点雲の幾何学的表現力を使って、ニューロンの固有の構造情報をよりよく探索することです。
論文 参考訳（メタデータ） (2022-10-15T14:11:56Z) - Voxel-wise Cross-Volume Representation Learning for 3D Neuron
Reconstruction [27.836007480393953]
本稿では,エンコーダとデコーダのセグメンテーションモデルに基づいて,新しいボクセルレベルのクロスボリューム表現学習パラダイムを提案する。
我々の手法は推論中に余分なコストを伴わない。
提案手法は,BigNeuronプロジェクトから得られた42個の3次元ニューロン画像に基づいて,元のセグメンテーションモデルの学習能力を向上させる。
論文 参考訳（メタデータ） (2021-08-14T12:17:45Z) - PSGR: Pixel-wise Sparse Graph Reasoning for COVID-19 Pneumonia
Segmentation in CT Images [83.26057031236965]
画像中の新型コロナウイルス感染領域セグメンテーションの長距離依存性のモデリングを強化するために,PSGRモジュールを提案する。
PSGRモジュールは不正確なピクセルからノードへの投影を回避し、グローバルな推論のために各ピクセル固有の情報を保存する。
このソリューションは、3つの公開データセット上の4つの広く使われているセグメンテーションモデルに対して評価されている。
論文 参考訳（メタデータ） (2021-08-09T04:58:23Z) - Topological obstructions in neural networks learning [67.8848058842671]
損失勾配関数フローのグローバル特性について検討する。
損失関数とそのモースコンプレックスの位相データ解析を用いて,損失面の大域的特性と勾配軌道に沿った局所的挙動を関連付ける。
論文 参考訳（メタデータ） (2020-12-31T18:53:25Z) - 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) - Spatio-Temporal Inception Graph Convolutional Networks for
Skeleton-Based Action Recognition [126.51241919472356]
我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。
ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
論文 参考訳（メタデータ） (2020-11-26T14:43:04Z)
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。