論文の概要: Stable deep neural network architectures for mitochondria segmentation
on electron microscopy volumes
- arxiv url: http://arxiv.org/abs/2104.03577v1
- Date: Thu, 8 Apr 2021 07:41:13 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-09 22:41:44.005855
- Title: Stable deep neural network architectures for mitochondria segmentation
on electron microscopy volumes
- Title(参考訳): 電子顕微鏡ボリュームによるミトコンドリアセグメンテーションのための安定なディープニューラルネットワークアーキテクチャ
- Authors: Daniel Franco-Barranco and Arrate Mu\~noz-Barrutia and Ignacio
Arganda-Carreras
- Abstract要約: EMボリュームにおけるミトコンドリアのセグメンテーションのための最先端のディープラーニングアーキテクチャに関する広範な研究を紹介します。
この課題に対する2次元および3次元U-Net様モデルの違いによる性能への影響を評価する。
この研究から派生したコードとそのドキュメントが公開されている。
- 参考スコア(独自算出の注目度): 5.744285520992674
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Electron microscopy (EM) allows the identification of intracellular
organelles such as mitochondria, providing insights for clinical and scientific
studies. In recent years, a number of novel deep learning architectures have
been published reporting superior performance, or even human-level accuracy,
compared to previous approaches on public mitochondria segmentation datasets.
Unfortunately, many of these publications do not make neither the code nor the
full training details public to support the results obtained, leading to
reproducibility issues and dubious model comparisons. For that reason, and
following a recent code of best practices for reporting experimental results,
we present an extensive study of the state-of-the-art deep learning
architectures for the segmentation of mitochondria on EM volumes, and evaluate
the impact in performance of different variations of 2D and 3D U-Net-like
models for this task. To better understand the contribution of each component,
a common set of pre- and post-processing operations has been implemented and
tested with each approach. Moreover, an exhaustive sweep of hyperparameters
values for all architectures have been performed and each configuration has
been run multiple times to report the mean and standard deviation values of the
evaluation metrics. Using this methodology, we found very stable architectures
and hyperparameter configurations that consistently obtain state-of-the-art
results in the well-known EPFL Hippocampus mitochondria segmentation dataset.
Furthermore, we have benchmarked our proposed models on two other available
datasets, Lucchi++ and Kasthuri++, where they outperform all previous works.
The code derived from this research and its documentation are publicly
available.
- Abstract(参考訳): 電子顕微鏡(em)はミトコンドリアなどの細胞内オルガネラの同定を可能にし、臨床および科学研究の洞察を与える。
近年では、公共のミトコンドリアセグメンテーションデータセットに対する以前のアプローチと比較して、優れたパフォーマンス、あるいは人間レベルの精度を報告している新しいディープラーニングアーキテクチャが数多く発表されている。
残念ながら、これらの出版物の多くは、得られた結果をサポートするためにコードもトレーニングの詳細も公開していないため、再現性の問題や疑わしいモデル比較につながる。
そのため,最近の実験結果報告のベストプラクティスに従って,ミトコンドリアのセグメンテーションのための最先端のディープラーニングアーキテクチャをEMボリュームに広範な研究を行い,この課題に対する2次元および3次元U-Net様モデルの違いによる性能への影響を評価する。
各コンポーネントの貢献をよりよく理解するために、前処理と後処理操作の共通セットが実装され、各アプローチでテストされている。
さらに、すべてのアーキテクチャに対するハイパーパラメータ値の徹底的な網羅が実施され、各構成が複数回実行され、評価指標の平均および標準偏差値が報告されている。
この手法を用いて,epfl海馬ミトコンドリアセグメンテーションデータセットにおける最先端の成果を一貫して得る,非常に安定したアーキテクチャとハイパーパラメータの構成を見出した。
さらに、提案したモデルをLucchi++とKasthuri++の2つの利用可能なデータセットでベンチマークしました。
この研究に由来するコードとそのドキュメントが公開されている。
関連論文リスト
- UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。
異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。
特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
論文 参考訳(メタデータ) (2024-02-20T11:50:27Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳(メタデータ) (2023-09-13T10:40:41Z) - Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。
特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
論文 参考訳(メタデータ) (2023-04-04T17:54:32Z) - A Fair Experimental Comparison of Neural Network Architectures for
Latent Representations of Multi-Omics for Drug Response Prediction [7.690774882108066]
等価条件下でのマルチオミクス統合手法の訓練と最適化を行う。
我々は、中間統合と後期統合の利点を組み合わせた新しい手法、Omics Stackingを考案した。
複数のオミクスデータを用いた公開薬物応答データセットを用いて実験を行った。
論文 参考訳(メタデータ) (2022-08-31T12:46:08Z) - Semi-Supervised Segmentation of Mitochondria from Electron Microscopy
Images Using Spatial Continuity [3.631638087834872]
ミトコンドリアの構造的・形態的・文脈的情報の空間的連続性を利用してミトコンドリアをセグメント化する半教師付き深層学習モデルを提案する。
我々のモデルは、最先端の完全教師付きモデルと同じような性能を達成するが、アノテーション付きトレーニングデータの20%しか必要としない。
論文 参考訳(メタデータ) (2022-06-06T06:52:19Z) - HiRID-ICU-Benchmark -- A Comprehensive Machine Learning Benchmark on
High-resolution ICU Data [0.8418021941792283]
ICU関連タスクの幅広い範囲をカバーするベンチマークの提供を目指している。
HiRIDデータセットを用いて,臨床医とのコラボレーションによって開発された複数の臨床関連タスクを定義した。
我々は,このタイプのデータに対する深層学習アプローチのいくつかの制限を強調し,現在最先端のシーケンスモデリング手法を詳細に分析する。
論文 参考訳(メタデータ) (2021-11-16T15:06:42Z) - Two layer Ensemble of Deep Learning Models for Medical Image
Segmentation [0.2699900017799093]
医用画像のセグメンテーションのための深層学習モデルの2層アンサンブルを提案する。
トレーニング画像の付加データとして、第1層の各モデルによって作成された各トレーニング画像画素の予測を用いる。
次に、各モデルが結合結果に異なる貢献をする重みに基づくスキームを用いて、第2層の予測を組み合わせる。
論文 参考訳(メタデータ) (2021-04-10T16:52:34Z) - CDEvalSumm: An Empirical Study of Cross-Dataset Evaluation for Neural
Summarization Systems [121.78477833009671]
データセット間設定下での様々な要約モデルの性能について検討する。
異なるドメインの5つのデータセットに対する11の代表的な要約システムに関する包括的な研究は、モデルアーキテクチャと生成方法の影響を明らかにしている。
論文 参考訳(メタデータ) (2020-10-11T02:19:15Z) - MS-Net: Multi-Site Network for Improving Prostate Segmentation with
Heterogeneous MRI Data [75.73881040581767]
本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。
当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
論文 参考訳(メタデータ) (2020-02-09T14:11:50Z) - Opportunities and Challenges of Deep Learning Methods for
Electrocardiogram Data: A Systematic Review [62.490310870300746]
心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。
深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。
本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
論文 参考訳(メタデータ) (2019-12-28T02:44:29Z)
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。