Fugu-MT 論文翻訳(概要): Scalable Robust Graph and Feature Extraction for Arbitrary Vessel Networks in Large Volumetric Datasets

論文の概要: Scalable Robust Graph and Feature Extraction for Arbitrary Vessel Networks in Large Volumetric Datasets

arxiv url: http://arxiv.org/abs/2102.03444v1
Date: Fri, 5 Feb 2021 23:13:09 GMT
ステータス: 処理完了
システム内更新日: 2021-02-09 15:44:39.164320
Title: Scalable Robust Graph and Feature Extraction for Arbitrary Vessel Networks in Large Volumetric Datasets
Title（参考訳）: 大容量データセットにおけるスケーラブルロバストグラフと任意容器ネットワークの特徴抽出
Authors: Dominik Drees, Aaron Scherzinger, Ren\'e H\"agerling, Friedemann Kiefer, Xiaoyi Jiang
Abstract要約: 本稿では,コンテナネットワークの前景セグメンテーションから注釈付きグラフ表現を抽出するスケーラブルなパイプラインを提案する。私たちは、コモディティハードウェア上で約1TBのボリュームのトポロジを初めて分析することができます。
参考スコア（独自算出の注目度）: 3.429872985574402
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recent advances in 3D imaging technologies provide novel insights to researchers and reveal finer and more detail of examined specimen, especially in the biomedical domain, but also impose huge challenges regarding scalability for automated analysis algorithms due to rapidly increasing dataset sizes. In particular, existing research towards automated vessel network analysis does not consider memory requirements of proposed algorithms and often generates a large number of spurious branches for structures consisting of many voxels. Additionally, very often these algorithms have further restrictions such as the limitation to tree topologies or relying on the properties of specific image modalities. We present a scalable pipeline (in terms of computational cost, required main memory and robustness) that extracts an annotated abstract graph representation from the foreground segmentation of vessel networks of arbitrary topology and vessel shape. Only a single, dimensionless, a-priori determinable parameter is required. By careful engineering of individual pipeline stages and a novel iterative refinement scheme we are, for the first time, able to analyze the topology of volumes of roughly 1TB on commodity hardware. An implementation of the presented pipeline is publicly available in version 5.1 of the volume rendering and processing engine Voreen (https://www.uni-muenster.de/Voreen/).
Abstract（参考訳）: 3Dイメージング技術の最近の進歩は、研究者に新しい洞察を提供し、特に生物医学領域における検査標本のより細かく、より詳細を明らかにするだけでなく、急速に増加するデータセットサイズによる自動解析アルゴリズムのスケーラビリティに関する大きな課題を課す。特に, 自動容器ネットワーク解析に対する既存の研究は, 提案アルゴリズムのメモリ要求を考慮せず, 多数のボクセルからなる構造に対して, 多数の分岐を発生することが多い。さらに、これらのアルゴリズムには、ツリートポロジの制限や、特定の画像モダリティのプロパティに依存するなど、さらなる制限があります。任意のトポロジと容器形状の船舶ネットワークの前景分割から注釈付き抽象グラフ表現を抽出するスケーラブルなパイプライン(計算コスト、必要なメインメモリ、堅牢性の観点から)を提示する。単一の次元のないa-priori決定パラメータのみが必要である。個別のパイプラインステージの慎重なエンジニアリングと,新たな反復的改良スキームによって,商品ハードウェア上での約1TBのボリュームのトポロジを初めて分析することが可能になった。このパイプラインの実装は、ボリュームレンダリングおよび処理エンジンvoreenのバージョン5.1で公開されている(https://www.uni-muenster.de/voreen/)。

関連論文リスト

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)
Spatial-Temporal Graph Enhanced DETR Towards Multi-Frame 3D Object Detection [54.041049052843604]
STEMDは,多フレーム3Dオブジェクト検出のためのDETRのようなパラダイムを改良した,新しいエンドツーエンドフレームワークである。まず、オブジェクト間の空間的相互作用と複雑な時間的依存をモデル化するために、空間的時間的グラフアテンションネットワークを導入する。最後に、ネットワークが正のクエリと、ベストマッチしない他の非常に類似したクエリを区別することが課題となる。
論文参考訳（メタデータ） (2023-07-01T13:53:14Z)
Non-Separable Multi-Dimensional Network Flows for Visual Computing [62.50191141358778]
本研究では,非分離型多次元ネットワークフローに対する新しい定式化法を提案する。フローは次元ごとに定義されるので、最大化フローは自動的に最適な特徴次元を選択する。概念実証として,マルチオブジェクト追跡問題にフォーマリズムを適用し,ノイズに対するロバスト性の観点からMOT16ベンチマークのスカラー定式化よりも優れていることを示す。
論文参考訳（メタデータ） (2023-05-15T13:21:44Z)
A Comprehensive Study on Large-Scale Graph Training: Benchmarking and Rethinking [124.21408098724551]
グラフニューラルネットワーク(GNN)の大規模グラフトレーニングは、非常に難しい問題である本稿では,既存の問題に対処するため,EnGCNという新たなアンサンブルトレーニング手法を提案する。提案手法は,大規模データセット上でのSOTA(State-of-the-art)の性能向上を実現している。
論文参考訳（メタデータ） (2022-10-14T03:43:05Z)
Point-Unet: A Context-aware Point-based Neural Network for Volumetric Segmentation [18.81644604997336]
本稿では,3次元点雲による深層学習の効率をボリュームセグメンテーションに組み込む新しい手法であるPoint-Unetを提案する。私たちのキーとなるアイデアは、まず注意確率マップを学習することで、ボリュームに対する関心領域を予測することです。異なるメトリクスに関する包括的なベンチマークでは、私たちのコンテキスト認識のPoint-UnetがSOTAのボクセルベースネットワークより優れていることが示されている。
論文参考訳（メタデータ） (2022-03-16T22:02:08Z)
Deformable Capsules for Object Detection [3.702343116848637]
我々は,コンピュータビジョンにおいて重要な問題である物体検出に対処するために,新しいカプセルネットワーク,変形可能なカプセル(textitDeformCaps)を導入した。提案手法は,本論文において,オブジェクト検出のためのカプセルネットワークを構築するために,効率よくスケールアップできることを実証する。
論文参考訳（メタデータ） (2021-04-11T15:36:30Z)
Multi-Scale Neural Networks for to Fluid Flow in 3D Porous Media [0.0]
我々は多孔質メディアシミュレーションデータから学習できる汎用的なマルチスケールディープラーニングモデルを開発した。単一のグラフィックス処理ユニットで約1秒で大きな画像の評価が可能です。
論文参考訳（メタデータ） (2021-02-10T23:38:36Z)
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)
ScalarFlow: A Large-Scale Volumetric Data Set of Real-world Scalar Transport Flows for Computer Animation and Machine Learning [28.708725228832577]
実世界の煙煙を再現した最初の大規模データセットであるScalarFlowを提示する。また,少数のビデオストリームから物理に基づく正確な再構成を行うためのフレームワークを提案する。
論文参考訳（メタデータ） (2020-11-20T08:55:00Z)
Not Half Bad: Exploring Half-Precision in Graph Convolutional Neural Networks [8.460826851547294]
現代の機械学習を用いた効率的なグラフ解析は、ますます注目を集めている。ディープラーニングアプローチは、隣接行列全体にわたって運用されることが多い。実行時間とメモリ要求の両方を削減するための効率的な対策を特定することが望ましい。
論文参考訳（メタデータ） (2020-10-23T19:47:42Z)
Seismic horizon detection with neural networks [62.997667081978825]
本稿では,複数の実地震立方体上での地平線検出にバイナリセグメンテーションを適用し,予測モデルのキューブ間一般化に着目したオープンソースの研究である。本研究の主な貢献は,複数実地震立方体における地平線検出にバイナリセグメンテーションを適用し,予測モデルのキューブ間一般化に着目したオープンソースの研究である。
論文参考訳（メタデータ） (2020-01-10T11:30:50Z)

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。