論文の概要: Deep Neural Networks Learn Meta-Structures to Segment Fluorescence Microscopy Images

• arxiv url: http://arxiv.org/abs/2103.11594v1
• Date: Mon, 22 Mar 2021 05:43:34 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-23 14:31:11.242890
• Title: Deep Neural Networks Learn Meta-Structures to Segment Fluorescence Microscopy Images
• Title（参考訳）: 深部ニューラルネットワークによる蛍光顕微鏡画像へのメタ構造学習
• Authors: Yaoru Luo, Guole Liu, Wenjing Li, Yuanhao Guo and Ge Yang
• Abstract要約: 本研究では,ラベル画像で学習したディープニューラルネットワーク(dnn)が,ほぼ同じセグメンテーション性能をもたらすことを見出した。 ランダムラベルによって訓練されたDNNの学習行動とメタ構造の特性を動機として,教師なしセグメンテーションモデルを提案する。
• 参考スコア（独自算出の注目度）: 5.9104061269273185
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fluorescence microscopy images play the critical role of capturing spatial or spatiotemporal information of biomedical processes in life sciences. Their simple structures and semantics provide unique advantages in elucidating learning behavior of deep neural networks (DNNs). It is generally assumed that accurate image annotation is required to train DNNs for accurate image segmentation. In this study, however, we find that DNNs trained by label images in which nearly half (49%) of the binary pixel labels are randomly flipped provide largely the same segmentation performance. This suggests that DNNs learn high-level structures rather than pixel-level labels per se to segment fluorescence microscopy images. We refer to these structures as meta-structures. In support of the existence of the meta-structures, when DNNs are trained by a series of label images with progressively less meta-structure information, we find progressive degradation in their segmentation performance. Motivated by the learning behavior of DNNs trained by random labels and the characteristics of meta-structures, we propose an unsupervised segmentation model. Experiments show that it achieves remarkably competitive performance in comparison to supervised segmentation models.
• Abstract（参考訳）: 蛍光顕微鏡画像は生命科学における生体医学過程の空間的・時空間的情報を捉える重要な役割を担っている。 これらの単純な構造と意味は、ディープニューラルネットワーク(DNN)の学習行動を解明する上で、ユニークな利点をもたらす。 正確な画像分割のためのdnnの訓練には、正確な画像アノテーションが必要であると一般的に仮定される。 しかし本研究では,2値ラベルのほぼ半分 (49%) がランダムに反転したラベル画像で訓練されたdnnが,ほぼ同じセグメンテーション性能をもたらすことがわかった。 これはdnnが蛍光顕微鏡像を分割するためにピクセルレベルラベルではなくハイレベル構造を学ぶことを示唆している。 これらの構造をメタ構造と呼ぶ。 メタ構造の存在を支持するために、DNNが徐々に少ないメタ構造情報を持つ一連のラベル画像によって訓練されると、そのセグメンテーション性能は徐々に劣化する。 ランダムラベルで学習したdnnの学習行動とメタ構造の特徴に動機づけられ,教師なしセグメンテーションモデルを提案する。 実験により, 教師付きセグメンテーションモデルと比較して, 極めて高い競争性能を示した。

関連論文リスト

• Subgraph Clustering and Atom Learning for Improved Image Classification [4.499833362998488]
  本稿では,特徴抽出のための畳み込みニューラルネットワーク(CNN)と構造モデリングのためのグラフニューラルネットワーク(GNN)の長所を融合した,新しいハイブリッド画像分類モデルであるグラフサブグラフネットワーク(GSN)を提案する。 GSNはk平均クラスタリングを使用してグラフノードをクラスタにグループ化し、サブグラフの作成を容易にする。 これらの部分グラフを使用して、辞書学習のための代表原子を学習し、スパースでクラス区別可能な特徴の識別を可能にする。
  論文  参考訳（メタデータ） (2024-07-20T06:32:00Z)
• Compact & Capable: Harnessing Graph Neural Networks and Edge Convolution for Medical Image Classification [0.0]
  本稿では,重要なグラフノード間の接続を強く表現するために,RGBチャネルの特徴値の相互接続性を活用し,GNNとエッジ畳み込みを組み合わせた新しいモデルを提案する。 提案モデルでは,最新のDeep Neural Networks (DNN) と同等に動作するが,1000倍のパラメータが減少し,トレーニング時間とデータ要求が短縮される。
  論文  参考訳（メタデータ） (2023-07-24T13:39:21Z)
• Unsupervised Segmentation of Fetal Brain MRI using Deep Learning Cascaded Registration [2.494736313545503]
  従来の深層学習に基づく自動セグメンテーションは、グランドトラストラベルによる広範なトレーニングデータを必要とする。 ラベル付きデータに頼らずに複数の組織を正確にセグメンテーションするマルチアトラスセグメンテーションに基づく新しい手法を提案する。 提案手法では,3次元画像登録のためのカスケード深層学習ネットワークを用いて,移動画像への小さなインクリメンタルな変形を計算し,それを固定画像と正確に整合させる。
  論文  参考訳（メタデータ） (2023-07-07T13:17:12Z)
• Elucidating Meta-Structures of Noisy Labels in Semantic Segmentation by Deep Neural Networks [3.231282838457089]
  深層ニューラルネットワークは,セマンティックセグメンテーションのための教師付きトレーニングにおいて,それぞれにピクセルレベルのラベルではなくラベルに隠された構造を学習する。 これら隠れた構造を「メタ構造」と呼ぶ メタ構造を空間密度分布として数学的に定式化し,異なる種類のラベルの意味情報を定量化する。
  論文  参考訳（メタデータ） (2022-04-30T04:54:31Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• From Explanations to Segmentation: Using Explainable AI for Image Segmentation [1.8581514902689347]
  我々は、説明可能なAI(XAI)コミュニティの進歩の上に構築し、ピクセル単位のバイナリセグメンテーションを抽出する。 我々は,既存のU-Netセグメンテーションアーキテクチャと比較して,同様の結果が得られることを示す。 トレーニングサンプルは画像レベルでのみラベル付けする必要があるため,提案手法は弱教師付きでトレーニングすることができる。
  論文  参考訳（メタデータ） (2022-02-01T10:26:10Z)
• Weakly-supervised fire segmentation by visualizing intermediate CNN layers [82.75113406937194]
  画像やビデオにおける火の局所化は、火災事故に対処するための自律システムにとって重要なステップである。 我々は,ネットワークのトレーニングに画像ラベルのみを使用する,画像中の火の弱い制御セグメント化について検討する。 CNNの中間層における特徴量の平均値は,2値セグメンテーション問題である火災セグメンテーションの場合,従来のクラスアクティベーションマッピング(CAM)法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-11-16T11:56:28Z)
• Semantic Segmentation with Generative Models: Semi-Supervised Learning and Strong Out-of-Domain Generalization [112.68171734288237]
  本論文では,画像とラベルの再生モデルを用いた識別画素レベルのタスクのための新しいフレームワークを提案する。 我々は,共同画像ラベルの分布を捕捉し,未ラベル画像の大規模な集合を用いて効率的に訓練する生成的対向ネットワークを学習する。 ドメイン内性能をいくつかのベースラインと比較し,ドメイン外一般化を極端に示す最初の例である。
  論文  参考訳（メタデータ） (2021-04-12T21:41:25Z)
• PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
  歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。 本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-17T08:28:30Z)
• Group-Wise Semantic Mining for Weakly Supervised Semantic Segmentation [49.90178055521207]
  この研究は、画像レベルのアノテーションとピクセルレベルのセグメンテーションのギャップを埋めることを目標に、弱い監督されたセマンティックセグメンテーション(WSSS)に対処する。 画像群における意味的依存関係を明示的にモデル化し,より信頼性の高い擬似的基盤構造を推定する,新たなグループ学習タスクとしてWSSSを定式化する。 特に、入力画像がグラフノードとして表現されるグループ単位のセマンティックマイニングのためのグラフニューラルネットワーク(GNN)を考案する。
  論文  参考訳（メタデータ） (2020-12-09T12:40:13Z)
• Node Masking: Making Graph Neural Networks Generalize and Scale Better [71.51292866945471]
  グラフニューラルネットワーク(GNN)は近年,多くの関心を集めている。 本稿では,芸術空間のGNNの状態によって実行される操作をよりよく可視化するために,いくつかの理論ツールを利用する。 私たちはNode Maskingというシンプルなコンセプトを導入しました。
  論文  参考訳（メタデータ） (2020-01-17T06:26:40Z)

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。