論文の概要: VICE: Visual Identification and Correction of Neural Circuit Errors
- arxiv url: http://arxiv.org/abs/2105.06861v1
- Date: Fri, 14 May 2021 14:34:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-17 12:41:50.544986
- Title: VICE: Visual Identification and Correction of Neural Circuit Errors
- Title（参考訳）: VICE: ニューラルネットワークエラーの視覚的識別と補正
- Authors: Felix Gonda, Xueying Wang, Johanna Beyer, Markus Hadwiger, Jeff W.
Lichtman, and Hanspeter Pfister
- Abstract要約: 一般的な証明読解は、ピクセルレベルでセグメンテーションエラーを修正するために大きなボリュームを検査することを伴う。
本稿では,証明読解を合理化する分析フレームワークの設計と実装について述べる。
自動エラー検出とシナプスクラスタリングにより、高度にインタラクティブな3Dビジュアライゼーションによる校正作業を促進します。
- 参考スコア（独自算出の注目度）: 24.106813461993085
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A connectivity graph of neurons at the resolution of single synapses provides
scientists with a tool for understanding the nervous system in health and
disease. Recent advances in automatic image segmentation and synapse prediction
in electron microscopy (EM) datasets of the brain have made reconstructions of
neurons possible at the nanometer scale. However, automatic segmentation
sometimes struggles to segment large neurons correctly, requiring human effort
to proofread its output. General proofreading involves inspecting large volumes
to correct segmentation errors at the pixel level, a visually intensive and
time-consuming process. This paper presents the design and implementation of an
analytics framework that streamlines proofreading, focusing on
connectivity-related errors. We accomplish this with automated likely-error
detection and synapse clustering that drives the proofreading effort with
highly interactive 3D visualizations. In particular, our strategy centers on
proofreading the local circuit of a single cell to ensure a basic level of
completeness. We demonstrate our framework's utility with a user study and
report quantitative and subjective feedback from our users. Overall, users find
the framework more efficient for proofreading, understanding evolving graphs,
and sharing error correction strategies.
- Abstract（参考訳）: 単一シナプスの分解能にあるニューロンの連結グラフは、科学者に健康と疾患の神経系を理解するためのツールを提供する。
脳の電子顕微鏡(EM)データセットにおける自動画像分割とシナプス予測の最近の進歩は、ナノメートルスケールでニューロンの再構築を可能にした。
しかし、自動セグメンテーションは、しばしば大きなニューロンを正しくセグメンテーションするのに苦労し、出力を証明するために人間の努力を必要とする。
一般的な証明には、大きなボリュームを検査してピクセルレベルでのセグメンテーションエラーを補正する。
本稿では,接続関連エラーに着目して,実証読解を効率化する分析フレームワークの設計と実装について述べる。
我々は、高度にインタラクティブな3Dビジュアライゼーションによる証明読影を駆動する自動エラー検出とシナプスクラスタリングにより、これを実現する。
特に、我々の戦略は、基本レベルの完全性を確保するために単一のセルの局所回路を実証することに集中している。
当社のフレームワークの有用性をユーザスタディで実証し,ユーザからの定量的かつ主観的なフィードバックを報告する。
全体として、ユーザーはこのフレームワークをより効果的に証明し、グラフの進化を理解し、エラー訂正戦略を共有する。
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) - 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) - Classification of developmental and brain disorders via graph
convolutional aggregation [6.6356049194991815]
本稿では,グラフサンプリングにおける集約を利用したアグリゲータ正規化グラフ畳み込みネットワークを提案する。
提案モデルは,画像特徴と非画像特徴の両方をグラフノードとエッジに組み込むことで,識別グラフノード表現を学習する。
我々は、自閉症脳画像データ交換(ABIDE)とアルツハイマー病神経イメージングイニシアチブ(ADNI)という2つの大きなデータセット上の最近のベースライン手法と比較して、我々のモデルをベンチマークした。
論文 参考訳（メタデータ） (2023-11-13T14:36:29Z) - Dynamic Graph Enhanced Contrastive Learning for Chest X-ray Report
Generation [92.73584302508907]
コントラスト学習を用いた医療レポート作成を支援するために,動的構造とノードを持つ知識グラフを提案する。
詳しくは、グラフの基本構造は一般知識から事前構築される。
各イメージ機能は、レポート生成のためにデコーダモジュールに入力する前に、独自の更新グラフに統合される。
論文 参考訳（メタデータ） (2023-03-18T03:53:43Z) - Joint Edge-Model Sparse Learning is Provably Efficient for Graph Neural
Networks [89.28881869440433]
本稿では,グラフニューラルネットワーク(GNN)における結合エッジモデルスパース学習の理論的特徴について述べる。
解析学的には、重要なノードをサンプリングし、最小のマグニチュードでプルーニングニューロンをサンプリングすることで、サンプルの複雑さを減らし、テスト精度を損なうことなく収束を改善することができる。
論文 参考訳（メタデータ） (2023-02-06T16:54:20Z) - Graph Neural Networks with Trainable Adjacency Matrices for Fault
Diagnosis on Multivariate Sensor Data [69.25738064847175]
各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。
グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。
グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
論文 参考訳（メタデータ） (2022-10-20T11:03:21Z) - Graph-in-Graph (GiG): Learning interpretable latent graphs in
non-Euclidean domain for biological and healthcare applications [52.65389473899139]
グラフは、医療領域において、非ユークリッドな非ユークリッドデータをユビキタスに表現し、分析するための強力なツールである。
近年の研究では、入力データサンプル間の関係を考慮すると、下流タスクに正の正の正則化効果があることが示されている。
タンパク質分類と脳イメージングのためのニューラルネットワークアーキテクチャであるGraph-in-Graph(GiG)を提案する。
論文 参考訳（メタデータ） (2022-04-01T10:01:37Z) - Single Neuron Segmentation using Graph-based Global Reasoning with
Auxiliary Skeleton Loss from 3D Optical Microscope Images [30.539098538610013]
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。
論文 参考訳（メタデータ） (2021-01-22T01:27:14Z) - Cross-Global Attention Graph Kernel Network Prediction of Drug
Prescription [5.132187039529859]
本稿では,慢性疾患薬物処方薬の結果を予測するグラフカーネルを学習するために,エンドツーエンドで解釈可能なディープラーニングアーキテクチャを提案する。
論文 参考訳（メタデータ） (2020-08-04T22:36:46Z) - Neural Data-to-Text Generation via Jointly Learning the Segmentation and
Correspondence [48.765579605145454]
対象のテキストを断片単位に明示的に分割し,それらのデータ対応と整合させることを提案する。
結果として生じるアーキテクチャは、ニューラルアテンションモデルと同じ表現力を維持している。
E2EとWebNLGのベンチマークでは、提案モデルがニューラルアテンションよりも一貫して優れていることを示す。
論文 参考訳（メタデータ） (2020-05-03T14:28:28Z)
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。